从html表中提取链接 [英] Extract links from html table

问题描述

我试图从以下网页中提取链接 http://ipt.humboldt.org.co / 是样本类型。我可以使用以下代码从网页获取表：

 图书馆（XML）
 sitePage< -htmlParse（ http://ipt.humboldt.org.co/）
 tableNodes< -getNodeSet（sitePage，// table）
 siteTable< -readHTMLTable（tableNodes [[1]]）
  

但是，在使用readHTML命令后，链接丢失。

  library（XML ）
 sitePage< -htmlParse（http://ipt.humboldt.org.co/）
 hyperlinksYouNeed< -getNodeSet（sitePage，// table [@ id ='resourcestable'] 
 //td[5][.='Specimen'] 
 / before-sibling 
 :: td [3] 
 / a 
 / @ href）
  

但让我解释一下XPath expr点点滴滴：

• // table [@ id ='resourcestable'] - >这样我们就可以在页面上获得一个名为'resourcestable'的主表。




• // td [5] [。='样本'] - >现在我们只过滤这些Type为样本

的行。

• / prior-sibling - >现在我们开始向后看




• :: td [3] - > 3步从我们所在的位置向后精确计数。小心之前的兄弟姐妹开始向后计数，因此td [1]是类型列，td [2]是组织列，td [ 3]是我们想要的 列。

>现在获取包含的 a 节点


• / @ href - >最后更准确地说是href属性内容。

I'm trying to extract the links from the following webpage http://ipt.humboldt.org.co/ that are of type "Specimen". I can get the table from the webpage using the following code:

library(XML)
sitePage<-htmlParse("http://ipt.humboldt.org.co/")
tableNodes<-getNodeSet(sitePage,"//table")
siteTable<-readHTMLTable(tableNodes[[1]])

However the links are missing after I use the readHTML command.

解决方案

It ended up being an intricate XPath expression:

library(XML)
sitePage<-htmlParse("http://ipt.humboldt.org.co/")
hyperlinksYouNeed<-getNodeSet(sitePage,"//table[@id='resourcestable']
                                        //td[5][.='Specimen']
                                        /preceding-sibling
                                        ::td[3]
                                        /a
                                        /@href")

but let me explain the XPath expression bit-by-bit:

• //table[@id='resourcestable'] -> This way we are getting the main table on the page called 'resourcestable'

• //td[5][.='Specimen'] -> Now we are filtering only these rows that have Type as Specimen

• /preceding-sibling -> Now we start looking backwards

• ::td[3] -> 3 steps to be precise counting backwards from where we are. Be careful preceding-sibling start counting backwards therefore td[1] is the Type column, td[2] is the Organisation column and td[3] is the Name column we want.

• /a -> now get the included a node

• /@href -> and finally more precisely the href attribute content

这篇关于从html表中提取链接的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！