0
我有一个使用DirSource从目录创建的R中的语料库x。每个文档都是包含相关vBulletin论坛网页的完整HTML的文本文件。由于它是一个线程,每个文档都有多个单独的帖子,我想用我的XPath来捕获这些帖子。 XPath似乎可行,但我无法将所有捕获的节点放回到语料库中。R Corpus中每个文档的XPath
如果我的语料库有25个文件,每个文件平均有4个帖子,那么我的新语料库应该有100个文件。我想知道如果我必须做一个循环,并创建一个新的语料库。
这是我迄今为止的杂乱工作。来自www.vbulletin.org/forum/中某个主题的任何资源都是该结构的一个例子。
#for stepping through
xt <- x[[5]]
xpath <- "//div[contains(@id,'post_message')]"
getxpath <- function(xt,xpath){
require(XML)
#either parse
doc <- htmlParse(file=xt)
#doc <- htmlTreeParse(tolower(xt), asText = TRUE, useInternalNodes = TRUE)
#don't know which to use
#result <- xpathApply(doc,xpath,xmlValue)
result <- xpathSApply(doc,xpath,xmlValue)
#clean up
result <- gsub(pattern="\\s+",replacement=" ",x=gsub(pattern="\n|\t",replacement=" ",x=result))
result <- c(result[1:length(result)])
free(doc)
#converts group of nodes into 1 data frame with numbers before separate posts
#require(plyr)
#xbythread <- ldply(.data=result,.fun=function(x){unlist(x)})
#don't know what needs to be returned
result <- Corpus(VectorSource(result))
#result <- as.PlainTextDocument(result)
return(result)
}
#call
x2 <- tm_map(x=x,FUN=getxpath,"//div[contains(@id,'post_message')]")