0

我正在尝试下载以下网站的完整源代码：http: //www.carnegiehall.org/Students/。

我要提取的信息是以下部分：

卡内基音乐厅呈现

2013 年 3 月 28 日，星期四 | 晚上 7:30

劳伦斯布朗利

马丁·卡茨

赞克尔大厅

查看源代码显示该文本的以下代码块：

 <div class="info-col">
     <div class="up-lic">Carnegie Hall Presents</div>
     <div class="date">Thursday, March 28, 2013 | 7:30 PM</div> 
     <div class="clearfix"></div>
     <div class="title color">
         <a href="/Calendar/2013/3/28/0730/PM/Lawrence-Brownlee-Martin-Katz/">Lawrence Brownlee<BR>Martin Katz</a>
     </div>
     <div class="clearfix"></div>
     <div class="location"> Zankel Hall</div>
     <div class="clearfix"></div> 
     <br />

当我在 R 中运行以下命令时，这是缺失的：

htmlParse(getURL("http://www.carnegiehall.org/Students", .opts = curlOptions(followlocation=TRUE)), asText = TRUE)

谁能告诉我我做错了什么？

4

2 回答 2

0

似乎问题只是获取 URL（而不是解析它）。您正在寻找的信息没有过来，如下所示：

H <- getURL("http://www.carnegiehall.org/Students", .opts = curlOptions(followlocation=TRUE))

grepl("Zankel Hall", H)
# [1] FALSE

grepl("March 28", H)
# [1] FALSE

如果您仔细查看 html，似乎日历正在通过脚本加载

于 2013-03-25T05:18:01.033 回答
0 
library(XML)
hdata <- htmlParse('http://www.carnegiehall.org/Students/')
xpathSApply(hdata,'//div[@class="info-col"]/div/text()|//div[@class="info-col"]/div/a/text()')
#[[1]]
#Carnegie Hall Presents 

#[[2]]
#Thursday, March 28, 2013 | 7:30 PM 

#[[3]]


#[[4]]
#Lawrence Brownlee 

#[[5]]
#Martin Katz 

#[[6]]
# Zankel Hall 

#[[7]]
于 2013-03-25T10:59:47.627 回答