使用 rvest 将 Webscrape 标题和列表添加到数据框

Question

我想将超链接 on this webpage 抓取到具有如下所示列的数据框中。源页面包含标题和链接列表。

subject.heading（问题）
hyperlink.title（确定）
超链接（确定）

获取链接和标题很简单（html_node "li" 和 "a"）。我不清楚如何将主题标题合并到最终数据框中。

library(tidyverse)
library(rvest)

my.url <- read_html("http://www.secnav.navy.mil/fmc/fmb/Pages/Fiscal-Year-2019.aspx") %>% 
  html_nodes("#sharePointMainContent") 

hyperlink.title <- my.url %>% 
  html_nodes("li") %>% 
  html_text()

hyperlink <- my.url %>% 
  html_nodes("li") %>% 
  html_nodes("a") %>% 
  html_attr("href")

df <- tibble(title, hyperlink.title)

我可以成功抓取标题，但无法弄清楚如何将它们正确地合并到最终数据框中。

subject.heading <- my.url %>% 
  html_nodes("h3") %>% 
  html_text() %>% str_trim()

由 reprex package (v0.2.0) 创建于 2018-09-03。

Answer 1

该页面的结构很奇怪，table 位于主 table 内。

我发现有效的方法是迭代 (map_df()) 父 table 的单元格（由 s4-wpcell-plain class 标识）。每个单元格包含另一个 table，但我们可以简单地提取我们想要的内容，而不是依赖 html_table().

library(tidyverse)    
library(rvest)
#> Loading required package: xml2


r <- read_html("http://www.secnav.navy.mil/fmc/fmb/Pages/Fiscal-Year-2019.aspx") %>% 
  html_node("#sharePointMainContent>div>table") %>% 
  html_nodes(".s4-wpcell-plain") %>% 
  map_df(~{
    heading <- .x %>% html_nodes('h3') %>% html_text() %>% str_trim()
    titles <- .x %>% html_nodes('li') %>% html_text()
    links <- .x %>% html_nodes('a') %>% html_attr("href")
    data_frame(heading, titles, links)
  })

r
#> # A tibble: 21 x 3
#>    heading                        titles                 links            
#>    <chr>                          <chr>                  <chr>            
#>  1 DEPARTMENT OF THE NAVY SUMMARY FY 19 DON Press Brief  http://www.secna…
#>  2 DEPARTMENT OF THE NAVY SUMMARY Supporting Exhibits    http://www.secna…
#>  3 DEPARTMENT OF THE NAVY SUMMARY Budget Highlights Book http://www.secna…
#>  4 DEPARTMENT OF THE NAVY SUMMARY The Bottom Line        http://www.secna…
#>  5 DEPARTMENT OF THE NAVY SUMMARY Report to Congress on… http://www.secna…
#>  6 DEPARTMENT OF THE NAVY SUMMARY Ship Building Plan SE… http://www.secna…
#>  7 MILITARY PERSONNEL PROGRAMS    Military Personnel, N… http://www.secna…
#>  8 MILITARY PERSONNEL PROGRAMS    Military Personnel, M… http://www.secna…
#>  9 MILITARY PERSONNEL PROGRAMS    Reserve Personnel, Na… http://www.secna…
#> 10 MILITARY PERSONNEL PROGRAMS    Reserve Personnel, Ma… http://www.secna…
#> # ... with 11 more rows

由 reprex package (v0.2.0) 创建于 2018-09-04。

使用 rvest 将 Webscrape 标题和列表添加到数据框

Webscrape heading and lists to a dataframe with rvest

r

dplyr

rvest

purrr