html - 使用 xpathSApply 的相同代码搜索多个路径

Question

我正在尝试提取包含一首阿拉伯诗的表格。您可以在here查看这首诗

我尝试解析表格...

URL <- "http://www.adab.com/modules.php?name=Sh3er&doWhat=shqas&qid=65546&r=&rc=1"
Data <- htmlTreeParse(URL, useInternalNodes = TRUE,encoding = "Windows-1256")
Poem <- xpathSApply(Data,"//p[@class='poem']",xmlValue)
Poem1 <- xpathSApply(Data,"//font[@class='poem']",xmlValue)
Encoding(Poem) <- "UTF-8"
Encoding(Poem1) <- "UTF-8"

但这不好，因为我改变了诗的书写顺序。

那么，有没有一种方法可以仅使用一个代码来获取该表，就像 URL 中所写的那样？

例如:

 Poem <- xpathSApply(Data,"//p[@class='poem']&//font[@class='poem']",xmlValue)

Answer 1

问题实际上是关于适当的选择器来获取具有“poem”类的多个标签。有几种选择。一个简单的选择是在 XPath 选择器中使用通配符 * 作为标记名称:

Poem <- xpathSApply(Data,"//*[@class='poem']",xmlValue)

如果您只需要 "poem" 类的 p 和 font 标签，但不需要，请使用 div 同一类的标签，可以使用|(或)运算符来选择多个选项。翻译为 rvest，我发现它更容易阅读(尽管相同的选择器在 xpathSApply 中也可以正常工作):

library(rvest)

Poem <- URL %>% read_html() %>% 
    html_nodes(xpath = '//p[@class="poem"] | //font[@class="poem"]') %>% 
    html_text(trim = TRUE)

如果使用 rvest，另一个选择是使用 CSS 选择器而不是 XPath 选择器。在 CSS 中，类由 . 指定，因此通配符版本只需要 ".poem"；要仅限于 p 或 font 标记，请使用 "p.poem, font.poem"。 Here's a fun tutorial on CSS selectors, if you like.

Poem <- URL %>% read_html() %>% 
    html_nodes(css = '.poem') %>% 
    html_text(trim = TRUE)

head(Poem, 15)    # I don't speak Arabic, so check that the results make sense
##  [1] "أقداح و أحلام"             "أنا لا أزال و في يدي قدحي" "ياليل أين تفرق الشرب"     
##  [4] "ما زلت أشربها و أشربها"    "حتى ترنح أفقك الرحب"       "الشرق عُفر بالضباب فما"    
##  [7] "يبدو فأين سناك يا غرب؟"    "ما للنجوم غرقن ، من سأم"   "في ضوئهن و كادت الشهب ؟"  
## [10] "أنا لا أزال و في يدي قدحي" "ياليل أين تفرق الشرب ؟"    "******"                   
## [13] "الحان بالشهوات مصطخب"      "حتى يكاد بهن ينهار"        "و كأن مصاحبيه من ضرج"