使用 XML 库解析未转义的 HTML 并检索标记值

Posted 2023-02-24

【中文标题】使用 XML 库解析未转义的 HTML 并检索标记值

【英文标题】：Parsing unescaped HTML and retrieving tag values with the XML library

【发布时间】：2014-12-20 00:48:58

【问题描述】：

我正在使用 R 包 XML 来加载和解析 html 页面。我可以使用 XPath 成功导航到我想要的 sn-ps。然而，有问题的 HTML 页面似乎没有使用转义字符。例如，考虑以下 HTML 代码：

<tr>
  <td width=\"50%\"><font size=\"1\" face=\"Arial, Helvetica, sans-serif\">MnO</font></td>
  <td width=\"50%\" align=\"right\"><font size=\"1\" face=\"Arial, Helvetica, sans-serif\">
         <0.05 % <BR>
               </font>
  </td>
</tr>

请注意我们如何使用“"<0.05 %"。当我解析文档时，我得到的只是两个“\r\n”。我现在看到的唯一解决方案是搜索和替换此类子字符串。我试图以各种方式加载文件，看看我们是否可以“反向”转义文档，但没有成功。我还寻找了一些可以考虑此类未转义字符但没有找到的解析选项。

有谁知道以一般方式处理此问题的方法。如果不是，你将如何解决这个问题。

注意：我认为 XML 包使用的是 libxml C 库。

编辑：可以在此处找到示例：

http://rop.ineti.pt/rop/FormProduto.php?idProduto=166

（化学成分见右下表）

【问题讨论】：

能否提供你要解析的页面的URL？

查看我在新编辑中提供的链接。谢谢。

【参考方案1】：

以下内容有帮助吗？我没有使用 gsub() 调用来清理列表，但您可能会发现它们很有帮助。此外，您的语言编码可能与我的不同（英语）。

table <- readHTMLTable("http://rop.ineti.pt/rop/FormProduto.php?idProduto=166", useInternal = TRUE)

# table # table

table[20]

> table[20]
$`NULL`
           Al2O3 14.64 %
1            CaO  0.58 %
2  Fe2O3 (total)  1.44 %
3           H2O+  0.78 %
4           H2O-  0.05 %
5            K2O  4.89 %
6            MgO  0.17 %
7            MnO        
8           Na2O  3.45 %
9           P2O5  0.45 %
10          SiO2 73.23 %
11          TiO2  0.24 %

【讨论】：

如果您查看“MnO”的条目，您会发现它们没有价值。它的值是 '

如果底层的 HTML 做得奇怪或不正确，那么也许没有“答案”。 Xpath 表达式则达不到要求。不管怎样，我试过了。