rvest，如何在 html_nodes 中使用 NA 值来创建数据表

Question

所以我想做一个网站上一些信息的数据表。这是我到目前为止所做的。

library(rvest)
url <- 'https://uws-community.symplicity.com/index.php?s=student_group'
page <- html_session(url)

name_nodes <- html_nodes(page,".grpl-name a")
name_text <- html_text(name_nodes)

df <- data.frame(matrix(unlist(name_text)), stringsAsFactors = FALSE)

library(tidyverse)
df <- df %>% mutate(id = row_number())

desc_nodes <- html_nodes(page, ".grpl-purpose")
desc_text <- html_text(desc_nodes)

df <- left_join(df, data.frame(matrix(unlist(desc_text)), 
                               stringsAsFactors = FALSE) %>% 
                  mutate(id = row_number()))

email_nodes <- html_nodes(page, ".grpl-contact a")

email_text <- html_text(email_nodes)
df <- left_join(df, data.frame(matrix(unlist(email_text)), 
                               stringsAsFactors = FALSE) %>% 
                  mutate(id = row_number()))

这一直有效，直到我到达电子邮件部分。一些条目没有电子邮件。在数据框中，最后三行显示的是 NA 值，而不是适当的行显示电子邮件的 NA 值。

如何才能使适当的行显示具有 NA 值，而不仅仅是最后 3 行？

Answer 1

解决这个问题的关键是找到每个学生组已知存在的 20 个父节点。有了这个父节点列表，在每个父节点上使用 html_node 函数。 html_node 函数将返回一个结果或 NA，具体取决于所需标记是否存在。我会推荐这种技术，只要有可变数量的子节点。

library(rvest)
library(dplyr)
url <- 'https://uws-community.symplicity.com/index.php?s=student_group'
page <- html_session(url)

#find group names
name_text <- html_nodes(page,".grpl-name a") %>% html_text()
df <- data.frame(name_text, stringsAsFactors = FALSE)
df <- df %>% mutate(id = row_number())

#find text description
desc_text <- html_nodes(page, ".grpl-purpose") %>% html_text()
df$desc_text <- trimws(desc_text)

#find emails
#  find the parent nodes with html_nodes
#  then find the contact information from each parent using html_node
email_nodes<-html_nodes(page, "div.grpl-grp") %>% html_node( ".grpl-contact a") %>% html_text()
df$emails<-email_nodes

我还借此机会简化了您的代码，因为列表都是 20 个元素长，因此 unlist/matrix/mutate 函数没有理由将额外的列添加到数据框中。