從html表中提取鏈接

Question

我試圖從以下網頁http://ipt.humboldt.org.co/中提取「樣本」類型的鏈接。我可以使用以下代碼從網頁獲取表格：

​​

但是，在使用readHTML命令後鏈接丟失。

Answer 1

它結束了一個複雜的XPath表達式：

library(XML) 
sitePage<-htmlParse("http://ipt.humboldt.org.co/") 
hyperlinksYouNeed<-getNodeSet(sitePage,"//table[@id='resourcestable'] 
             //td[5][.='Specimen'] 
             /preceding-sibling 
             ::td[3] 
             /a 
             /@href") 

，但讓我解釋一下XPath表達式逐位：

• //table[@id='resourcestable'] - >這樣，我們所得到的主表在頁面上稱爲'resourcestable'

• //td[5][.='Specimen'] - >現在我們只過濾這些行的類型爲標本

• /preceding-sibling - >現在我們開始向後看

• ::td[3] - > 3個步驟是我們在哪裏向後精確計數。小心前同輩開始倒數​​，因此TD [1]是類型列，TD [2]是組織柱和TD [3]是我們想要的名稱列。

• /a - >現在明白了包括一個節點

• /@href - >最後更精確的href屬性內容

Answer 2

xmlFun<-function(x){ 
    y<-xpathSApply(x,'./a',xmlAttrs) 
    if(length(y)>0){ 
     list(href=y,orig=xmlValue(x)) 
    }else{ 
     xmlValue(x) 
    } 
} 
ans<-readHTMLTable(tableNodes[[1]],elFun=xmlFun,stringsAsFactors = FALSE) 
ans$Name<-lapply(ans$Name,function(x){unlist(eval(parse(text=x)))}) 
ans$Name[ans$Subtype=='Specimen']