从XML节点解析特定值

使用R和XML包，我使用XML htmlParse函数解析了一个（“HTMLInternalDocument”“HTMLInternalDocument”“XMLInternalDocument”“XMLAbstractDocument”）对象。下面是我感兴趣的xml对象中的行，其中包含两个我希望返回的值。从XML节点解析特定值

除了来自class = gsc_1usr_name（返回“Konrad Wrzecionkowski”）的值之外，我需要将“user =”下的值，在本例中为“QnVgFlYAAAAJ”。我用xpathSApply尝试了几种语法变体，它总是返回NULL。无可否认，当谈到xml时，我非常无知，有什么想法？有没有办法我可以强制这个不同的对象类，如列表，然后在矢量上使用拆分？标准强制（例如，as.list，as.character）似乎不适用于此对象类。

search.page <- "http://scholar.google.com/citations?hl=en&view_op=search_authors&mauthors=GVN Powell World Wildlife Fund" 
x <- XML::htmlParse(search.page, encoding="UTF-8")

它返回一个XML对象，下面是一个单一的条目的子集，选自10. h3 class="gsc_1usr_name行包含值中的每个条目，即我想检索（对于所有10）。

</div> 
</div> 
<div class="gsc_1usr gs_scl"> 
<div class="gsc_1usr_photo"><a href="/citations?user=QnVgFlYAAAAJ&amp;hl=en&amp;oe=ASCII"><img src="/citations?view_op=view_photo&amp;user=QnVgFlYAAAAJ&amp;citpid=3" sizes="(max-width:599px) 75px,(max-width:1251px) 100px, 120px" srcset="/citations?view_op=view_photo&amp;user=QnVgFlYAAAAJ&amp;citpid=3 128w,/citations?view_op=medium_photo&amp;user=QnVgFlYAAAAJ&amp;citpid=3 256w" alt="Konrad Wrzecionkowski"></a></div> 
<div class="gsc_1usr_text"> 
<h3 class="gsc_1usr_name"><a href="/citations?user=QnVgFlYAAAAJ&amp;hl=en&amp;oe=ASCII">Konrad Wrzecionkowski</a></h3> 
<div class="gsc_1usr_aff">Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, BÅ‚Ä™kitny Patrol <span class="gs_hlt">WWF </span>Polska</div> 
<div class="gsc_1usr_eml">Verified email at <span class="gs_hlt">wwf</span>.pl</div> 
<div class="gsc_1usr_emlb">@wwf.pl</div> 
<div class="gsc_1usr_int"> 
<a class="gsc_co_int" href="/citations?view_op=search_authors&amp;hl=en&amp;oe=ASCII&amp;mauthors=label:ichtiologia_ochrona_przyrody">ichtiologia/ochrona przyrody</a> </div> 
</div> 
</div>

使用的xpathSApply功能我回来“南越政府鲍威尔”，但也想从用户的值=以下语法。我已经尝试了h3 [@ user ='']的变体，包括类的子查询，但无法获得其他任何内容。

XML::xpathSApply(x, "//h3[@class='gsc_1usr_name']", xmlValue)

我一直在使用的方法是使用url和readLines。然后我使用strsplit来拉取所需的值。

auth.names <- "Konrad Wrzecionkowski WWF"  
search.page <- paste("http://scholar.google.com/citations?hl=en&view_op=search_authors&mauthors=", auth.names, sep="") 

x <- readLines(url(search.page)) 
x <- strsplit(x[[1]], split="user=")[[1]][2] 
x <- strsplit(x, split="&amp;")[[1]][1]

这里的问题是，谷歌学术搜索似乎并不喜欢的网页抓取和代码定期失败，出现“无法打开连接，HTTP状态为“503 Service Unavailable”错误。但是，这似乎并不是htmlParse的情况。

来源

2017-08-03 Jeffrey Evans

你也许可以抢'HREF ='从''标签属性 - 做'xpathSApply（X， “// A”，xmlGetAttr， “HREF”）'工作？ – thelatemail

不幸的是，这个语法不起作用。我在XML中有10个条目，我想要为其检索值。我修改了我的帖子以提供更多关于xml的细节。 –

刮Google是违反他们的ToS。 – hrbrmstr

library(rvest) 
library(magrittr) 

url <- "http://scholar.google.com/citations?hl=en&view_op=search_authors&mauthors=GVN Powell World Wildlife Fund" 
xpath = "//*[@id=\"gsc_ccl\"]/div[1]/div[2]/h3/a/span" 

gvn.powell <- url %>% 
    read_html %>% 
    html_nodes(xpath = xpath) %>% 
    html_text 

gvn.powell 
#[1] "GVN Powell"

来源

2017-08-04 00:30:40

从XML节点解析特定值

回答

相关问题