2 
    <DOC NUMBER=1>
<DOCFULL> -->
<br><div class="c0">
<p class="c1"><span class="c2">Dokument 1 von 3</span></p>
</div>
<br><div class="c0">
<br><p class="c1"><span class="c2">Associated Press Financial Wire</span></p>
</div>
<br><div class="c3">
<p class="c1"><span class="c2">April 25, 2012 Wednesday 9:18 PM GMT </span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c6">Apple CEO Tim Cook emerges from Steve Jobs' shadow</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">BYLINE: </span><span class="c2">By PETER SVENSSON, AP Technology Writer</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">SECTION: </span><span class="c2">BUSINESS NEWS</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">LENGTH: </span><span class="c2">794 words</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">DATELINE: </span><span class="c2">NEW YORK </span></p>
</div>
<br><div class="c4">
<p class="c8"><span class="c2"> MAIN TEXT 1</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">LOAD-DATE: </span><span class="c2">April 26, 2012</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">LANGUAGE: </span><span class="c2">ENGLISH</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">PUBLICATION-TYPE: </span><span class="c2">Newswire</span></p>
</div>
<br><div class="c0">
<br><p class="c1"><span class="c2">Copyright 2012 Associated Press<br>All Rights Reserved</span></p>
</div>
<!-- Hide XML section from browser
</DOCFULL>
</DOC> -->

我是 xpath 的新手，我想将它与 R（Duncan Lang 的 xml 包）结合使用来查询我从 LexisNexis 收到的 html 文档。该文档包含多篇新闻文章，每篇文章都以<DOC NUMBER=1> <DOCFULL>标签为界。我希望为每个文档提取一些信息，例如提取 SECTION 信息，我到此为止：

doc <- htmlParse("hmtldoc.HTML")
xpathSApply(doc,"//span[text()='SECTION: ']/..", xmlValue)

这给了我：

[1] "SECTION: BUSINESS NEWS" "SECTION: BUSINESS NEWS" "SECTION: BUSINESS NEWS"

那是我可以使用的输出。主要问题是并非每篇文章都有 SECTION 信息。我需要知道的是哪篇文章提供了这些信息，哪些没有，最好是通过返回 NA 或一个空的列表元素，这样我就可以自己推断出这些信息。

与这个问题相关：我试图提出一个解决方案，我首先选择 DOC 或 DOCFULL 节点并从那里继续，例如：

xpathSApply(doc,"//DOCFULL/*/span[text()='SECTION: ']/..", xmlValue)

我认为这应该返回与上面相同的文本，但事实并非如此。无论如何，我对这门语言还是很陌生，感谢任何帮助。

4

2 回答 2

1

DOCFULL因为 s和s之间存在不止一个“级别”的后代元素span，所以您需要

含糊其辞

//DOCFULL//*/span[text()='SECTION: ']/..

或 具体说明级别（div 和 p）

//DOCFULL/*/*/span[text()='SECTION: ']/..
于 2012-10-03T17:08:08.410 回答
0

有了给定的文档，您就可以使用它：

//*[span='SECTION: ']

您无需指定查找带有文本“SECTION:”的跨度节点，然后选择它的父节点，您只需选择具有该文本的“跨度”子节点的任何节点。

如果您需要它成为DOCFULL元素的后代，请使用

//DOCFULL//*[span='SECTION: ']
于 2012-10-04T13:03:03.773 回答