刮臉並不總是很容易

我剛剛編輯我的問題，使其更一般：「如何使用r刮臉，當格式不包括在任何r功能？」刮臉並不總是很容易

首先，我應該如何知道格式是否匹配rvest可以提取的r函數？

其次，假設我嘗試了所有可用的抓取功能並且失敗了，我該如何繼續？自己寫一個解析函數？有沒有更簡單的方法來做到這一點？

如果readHTMLTable不能爲這個實例工作，除了解析一個巨大的字符串操作中的html代碼之外，我還應該追求哪些其他選項？

來源

2016-04-05 Kinformationist

閱讀FM：幫助示例首先讀取文檔：'doc = htmlParse（url）; tableNodes = getNodeSet（doc，「// table」）; tb = readHTMLTable（tableNodes [[2]]）' –

此外，它看起來不像HTML表格。可能看起來像一張桌子，但實際上有不同的結構。 –

嘗試使用面向XML的函數進行閱讀。 –

我認爲這個問題的一般答案是「用任何語言刮臉往往是脖子上的疼痛」。這是因爲人們隨意地將東西放在網上，糟糕的格式很難讓機器解析。

我不會做大量的抓取，也沒有比「在頁面源視圖中查找，使用反覆試驗」更好的答案。

它看起來像表格結構嚴重;如果你嘗試提取<tr>（錶行）你收到垃圾...

Weblink <- "http://hmofs.northwestern.edu/hc/crystals.php" 
library(rvest) 
rr <- read_html(Weblink) 
tab2 <- html_nodes(rr,"table")[4]  ## get 4th table 
vals <- html_text(html_nodes(tab2,"td")) ## get *all* elements in 4th table

現在只拿數值 - 表的第7列是下載的信息，並得到丟棄這樣

vals <- suppressWarnings(na.omit(as.numeric(vals))) 
matrix(vals,byrow=TRUE,ncol=6)

來源

2016-04-07 17:31:39

刮臉並不總是很容易

回答

相關問題