6

我正在尝试从以下 url 的表中抓取数据：

http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033

问题是包含在

<sup> </sup>

标签。当我使用以下代码时（诚然不是很优雅）

url.overview <- "http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033"
overview <- readHTMLTable(overview)
overview <- overview[[2]]
overview <- overview[-1,]

f <- function(x){
  out <- iconv(x, "latin1", "ASCII", sub="")
  out <- gsub('[\\$,]', '', out) 
  out <- as.numeric(out)
  return(out)
}

overview <- matrix(f(as.character(unlist(overview))), ncol = ncol(overview))
overview <- as.data.frame(overview)
names(overview) <- c('year', 'fires', 'civ.deaths', 'civ.injuries', 'ff.deaths',
                     'ff.injuries', 'damage.reported', 'damage.2010dollars')

我得到了我想要的，除了上标中的值被附加到表格单元格中值的末尾。例如，（使用上面给出的 url 中的行和列名称）2001 年的平民死亡数存储为 61963，而应为 6196，因为上标 3 被解释为额外的数字。表格中缺少上标的任何单元格都完全正确。

在文档中苦苦挣扎了几个小时后，我能够使用这些函数parseHTML并getNodeSet从 XML 包中识别所有包含<sup>标签的节点，但无法从那里弄清楚该怎么做：

overview <- htmlParse(url.overview)
getNodeSet(overview, "//sup")

我认为我需要以某种方式删除 XML 树的这些部分，然后将结果传递回 readHTMLTable 以进行进一步处理，但我不知道该怎么做。

我会非常感谢你的想法。

4

1 回答 1

5

尝试

require(XML)
url.overview <- "http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033"
overview <- htmlParse(url.overview,encoding="UTF-8")
temp<-getNodeSet(overview, "/*//span[@class=\"small\"]/sup")
removeNodes(temp)
app.data<-readHTMLTable(overview)[[2]]

所以在这里我们只删除我们不想要的节点并将剩余的节点反馈给readHTMLTable第二个表。我在这个 windows 盒子上的编码有问题。您可能希望将编码保留在 中，htmlParse否则它可能会在没有您的情况下正常工作。

于 2012-08-22T00:37:11.493 回答