R:XPath 表达式返回所选元素之外的链接

Question

我正在使用 R 从 that page 上的主表中抓取链接, 使用 XPath 语法。主表是页面上的第三个，我只想要包含杂志文章的链接。

我的代码如下:

require(XML)
(x = htmlParse("http://www.numerama.com/magazine/recherche/125/hadopi/date"))
(y = xpathApply(x, "//table")[[3]])
(z = xpathApply(y, "//table//a[contains(@href,'/magazine/') and not(contains(@href, '/recherche/'))]/@href"))
(links = unique(z))

如果您查看输出，即使我通过询问对象 y 在第三行中选择了主表，最终链接也不是来自主表而是来自侧边栏。只包括第三个表。

我究竟做错了什么？使用 XPath 进行编码的正确/更有效的方法是什么？

注意:XPath 新手写作。

回答(非常快)，非常感谢!我的解决方案如下。

extract <- function(x) {
    message(x)
    html = htmlParse(paste0("http://www.numerama.com/magazine/recherche/", x, "/hadopi/date"))
    html = xpathApply(html, "//table")[[3]]
    html = xpathApply(html, ".//a[contains(@href,'/magazine/') and not(contains(@href, '/recherche/'))]/@href")
    html = gsub("#ac_newscomment", "", html)
    html = unique(html)
}

d = lapply(1:125, extract)
d = unlist(d)
write.table(d, "numerama.hadopi.news.txt", row.names = FALSE)

这将保存指向本网站上带有关键字“Hadopi”的新闻项目的所有链接。

Answer 1

您需要以 . 开始模式如果要将搜索限制为当前节点。/回到文档的开头(即使根节点不在 y 中)。

xpathSApply(y, ".//a/@href" )

或者，您可以直接使用 XPath 提取第三个表:

xpathApply(x, "//table[3]//a[contains(@href,'/magazine/') and not(contains(@href, '/recherche/'))]/@href")