12

我想用 R 来抓取这个页面：（http://www.fifa.com/worldcup/archive/germany2006/results/matches/match=97410001/report.html）和其他人，以获得进球者和时间。

到目前为止，这就是我所拥有的：

require(RCurl)
require(XML)

theURL <-"http://www.fifa.com/worldcup/archive/germany2006/results/matches/match=97410001/report.html"
webpage <- getURL(theURL, header=FALSE, verbose=TRUE) 
webpagecont <- readLines(tc <- textConnection(webpage)); close(tc)  

pagetree <- htmlTreeParse(webpagecont, error=function(...){}, useInternalNodes = TRUE)

并且 pagetree 对象现在包含一个指向我解析的 html 的指针（我认为）。我想要的部分是：

<div class="cont")<ul>
<div class="bold medium">Goals scored</div>
        <li>Philipp LAHM (GER) 6', </li>
        <li>Paulo WANCHOPE (CRC) 12', </li>
        <li>Miroslav KLOSE (GER) 17', </li>
        <li>Miroslav KLOSE (GER) 61', </li>
        <li>Paulo WANCHOPE (CRC) 73', </li>
        <li>Torsten FRINGS (GER) 87'</li>
</ul></div>

但我现在不知道如何隔离它们，坦率地说xpathSApply，xpathApply让我迷惑不解！

那么，有谁知道如何制定一个命令来吸出<div class="cont">标签中包含的元素？

4

1 回答 1

17

在处理 R 中的 Web 抓取和 XML 时，这些问题非常有帮助：

  1. 使用 XML 包将 html 表抓取到 R 数据帧中
  2. 如何将 XML 数据转换为 data.frame？

关于您的特定示例，虽然我不确定您希望输出看起来像什么，但这会将“得分目标”作为字符向量：

theURL <-"http://www.fifa.com/worldcup/archive/germany2006/results/matches/match=97410001/report.html"
fifa.doc <- htmlParse(theURL)
fifa <- xpathSApply(fifa.doc, "//*/div[@class='cont']", xmlValue)
goals.scored <- grep("Goals scored", fifa, value=TRUE)

该xpathSApply函数获取与给定条件匹配的所有值，并将它们作为向量返回。请注意我是如何寻找具有 class='cont' 的 div 的。使用类值通常是解析 HTML 文档的好方法，因为它们是很好的标记。

你可以随心所欲地清理它：

> gsub("Goals scored", "", strsplit(goals.scored, ", ")[[1]])
[1] "Philipp LAHM (GER) 6'"    "Paulo WANCHOPE (CRC) 12'" "Miroslav KLOSE (GER) 17'" "Miroslav KLOSE (GER) 61'" "Paulo WANCHOPE (CRC) 73'"
[6] "Torsten FRINGS (GER) 87'"
于 2010-06-08T15:42:12.973 回答