html - 从 html 表中提取链接

Question

我正在尝试从以下网页中提取链接 http://ipt.humboldt.org.co/属于“标本”类型。我可以使用以下代码从网页中获取表格:

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

但是在我使用 readHTML 命令后链接丢失了。

Answer 1

它最终变成了一个复杂的 XPath 表达式:

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

但让我逐位解释 XPath 表达式:

• //table[@id='resourcestable'] -> 这样我们就可以在名为“resourcestable”的页面上获取主表

• //td[5][.='Specimen'] -> 现在我们只过滤那些类型为 Specimen 的行>

• /preceding-sibling -> 现在我们开始回顾

• ::td[3] -> 3 个步骤，从我们所在的位置向后精确计数。小心 preceding-sibling 开始倒数，因此 td[1] 是 Type 列，td[2] 是 Organisation 列，td[ 3] 是我们想要的名称列。

• /a -> 现在获取包含的 a 节点

• /@href -> 最后更精确的是 href 属性内容