rjs*_*jss 1 r web-scraping rvest
我正在尝试提取类似于以下内容的表的所有链接：
<!DOCTYPE html>
<html>
<body>
<table>
<tr>
<td>
<a href="https://www.r-project.org/">R</a><br>
<a href="https://www.rstudio.com/">RStudio</a>
</td>
</tr>
<tr>
<td>
<a href="https://community.rstudio.com/">Rstudio Community</a>
</td>
</tr>
</table>
</body>
</html>
我想做的是在末尾获取一个数据帧（或向量）列表，其中每个数据帧包含 html 表中每一行的所有链接。例如，在这种情况下，列表将具有向量 1 c("https://www.r-project.org/","https://www.rstudio.com/")，第二个向量将为c("https://community.rstudio.com/")。我现在遇到的主要问题是，当我执行以下操作时，我无法保留与每个节点的 href 关系：
library(rvest)
web <- read_html("table.html") %>%
html_nodes("table") %>%
html_nodes("tr") %>%
html_nodes("a") %>%
html_attr("href")
一种方法是添加搜索，将"a"术语替换为html_node，这将生成每个 中仅包含第一个 url 的列表tr。然后，您可以使用它来将完整列表分成几组。
page <- read_html("table.html") #just read the html once
web <- page %>%
html_nodes("table") %>% html_nodes("tr") %>% html_nodes("a") %>%
html_attr("href") #as above
web2 <- page %>%
html_nodes("table") %>% html_nodes("tr") %>% html_node("a") %>%
html_attr("href") #just the first url in each tr
webdf <- data.frame(web=web, #full list
group=cumsum(web %in% web2), #grouping indicator by tr
stringsAsFactors=FALSE)
webdf
web group
1 https://www.r-project.org/ 1
2 https://www.rstudio.com/ 1
3 https://community.rstudio.com/ 2