使用 XML / RCurl R 包解析 HTML 表,而不使用 readHTMLTable 函数

Posted

技术标签:

【中文标题】使用 XML / RCurl R 包解析 HTML 表,而不使用 readHTMLTable 函数【英文标题】:Parsing HTML tables using the XML / RCurl R packages, without using the readHTMLTable function 【发布时间】:2011-09-19 14:26:59 【问题描述】:

我正在尝试从http://www.theplantlist.org/tpl/record/kew-419248 和许多非常相似的页面上的单个 html 表中抓取/提取数据。 我最初尝试使用以下函数来读取表格,但这并不理想,因为我想将每个物种名称分成其组成部分(属/物种/亚种/作者等)。

library(XML)
readHTMLTable("http://www.theplantlist.org/tpl/record/kew-419248")

我使用 SelectorGadget 为我要提取的每个表元素标识一个唯一的 XPATH(不一定是最短的):

对于属名: //[contains(concat( " ", @class, " " ), concat( " ", "Synonym", " " ))]// [包含(concat(“”,@class,“”),concat(“”,“属”,“”))]

对于物种名称: //[contains(concat( " ", @class, " " ), concat( " ", "Synonym", " " ))]//[contains( concat( " ", @class, " "), concat(" ", "species", " "))]

对于亚种等级: //*[contains(concat( " ", @class, " " ), concat( " ", "infraspr", " " ))]

对于基础物种名称: //*[contains(concat( " ", @class, " " ), concat( " ", "infraspe", " " ))]

对于置信度(图像): //[contains(concat( " ", @class, " " ), concat( " ", "synonyms", " " ))]//img 对于来源: //[contains(concat( " ", @class, " "), concat(" ", "source", " "))]//a

我现在想将信息提取到数据框/表格中。

我尝试使用 XML 包的 xpathSApply 函数来提取其中一些数据:

例如对于亚种等级

library(XML)
library(RCurl)
infraspeciesrank = htmlParse(getURL("http://www.theplantlist.org/tpl/record/kew-419248"))
path=' //*[contains(concat( " ", @class, " " ), concat( " ", "infraspr", " " ))]'
xpathSApply(infraspeciesrank, path)

但是,由于数据中的间隙,此方法存在问题(例如,表中只有某些行具有亚种等级,所以我返回的只是表中三个等级的列表,没有间隙)。数据输出也是我无法附加到数据框的类。

有谁知道从该表中提取信息到数据框中的更好方法?

任何帮助将不胜感激!

汤姆

【问题讨论】:

快速建议:将完整的 HTML 作为字符串读取,然后简单地应用正则表达式(根据我的经验,HTML 很容易受到这种影响)。先用表隔离部分,再做子结构... 【参考方案1】:

这是另一种解决方案,它将每个物种名称拆分为其组成部分

library(XML)
library(plyr)

# read url into html tree
url = "http://www.theplantlist.org/tpl/record/kew-419248"
doc = htmlTreeParse(url, useInternalNodes = T)

# extract nodes containing desired information
xp_expr = "//table[@class= 'names synonyms']/tbody/tr"
nodes = getNodeSet(doc, xp_expr)

# function to extract desired fields from a given node    
fields = list('genus', 'species', 'infraspe', 'authorship')
read_node = function(node)

    dl = lapply(fields, function(x) xpathSApply(node, 
       paste(".//*[@class = ", "'", x, "'", "]", sep = ""), xmlValue))
    tmp = rep(' ', length(dl))
    tmp[sapply(dl, length) == 1] = unlist(dl)
    confidence = xpathSApply(node, './/img', xmlGetAttr, 'alt')
    return(c(tmp, confidence))


# apply function to all nodes and return data frame
df = ldply(nodes, read_node)
names(df) = c(fields, 'confidence')

它产生以下输出

 genus      species     infraspe                      authorship confidence
1 Critesion     chilense              (Roem. & Schult.) Ã\u0081.Löve          H
2   Hordeum     chilense     chilense                                          L
3   Hordeum  cylindricum                                       Steud.          H
4   Hordeum depauperatum                                       Steud.          H
5   Hordeum     pratense brongniartii                       Macloskie          L
6   Hordeum    secalinum     chilense                   Ã\u0089.Desv.          L

【讨论】:

当我尝试运行此代码时,出现以下错误: UseMethod("xpathApply") 中的错误:没有适用于“XMLNodeSet”类对象的“xpathApply”方法 确保更新您的 XMLplyr 软件包版本。我检查了代码,它仍然对我有用。【参考方案2】:

以下代码将您的表格解析为矩阵。

注意事项:

置信度列是空白的,因为这不是文本而是图像。如果这很重要,您应该能够检索图像位置并对其进行解析。 存在一些编码问题(UTF-8 字符在我的机器上被转换为 ASCII)。我还不知道如何解决这个问题。

代码:

library(XML)
library(RCurl)

baseURL <- "http://www.theplantlist.org/tpl/record/kew-419248"
txt <- getURL(url=baseURL)

xmltext <- htmlParse(txt, asText=TRUE)
xmltable <- xpathApply(xmltext, "//table//tbody//tr")
t(sapply(xmltable, function(x)unname(xmlSApply(x, xmlValue))[c(1, 3, 5, 7)]))

结果:

     [,1]                                                [,2]      [,3] [,4]  
[1,] "Critesion chilense (Roem. & Schult.) Ã.Löve" "Synonym" ""   "WCSP"
[2,] "Hordeum chilense var. chilense "                   "Synonym" ""   "TRO" 
[3,] "Hordeum cylindricum Steud. [Illegitimate]"         "Synonym" ""   "WCSP"
[4,] "Hordeum depauperatum Steud."                       "Synonym" ""   "WCSP"
[5,] "Hordeum pratense var. brongniartii Macloskie"      "Synonym" ""   "WCSP"
[6,] "Hordeum secalinum var. chilense Ã.Desv."        "Synonym" ""   "WCSP"

【讨论】:

您好,非常感谢您的建议!理想情况下,我想将名称拆分为其每个组成部分,如下面的 Ramnath 示例,但很高兴看到另一种方法!

以上是关于使用 XML / RCurl R 包解析 HTML 表,而不使用 readHTMLTable 函数的主要内容,如果未能解决你的问题,请参考以下文章

R语言 Web数据

非转义由 R XML 包生成的解析字符串?

R语言静态网页爬虫

使用 XML 包 R 解析 RSS 提要

R - 如何使用 rvest 或 rcurl 点击网页

在 R 中解析 HTML 文件