删除 XML 包中 readHTMLTable 中的标签

Question

我正在尝试从以下网址的表格中抓取数据:

http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033

问题是包含在

<sup> </sup>

标签。当我使用以下代码时(诚然不是很优雅)

url.overview <- "http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033"
overview <- readHTMLTable(overview)
overview <- overview[[2]]
overview <- overview[-1,]

f <- function(x){
  out <- iconv(x, "latin1", "ASCII", sub="")
  out <- gsub('[\\$,]', '', out) 
  out <- as.numeric(out)
  return(out)
}

overview <- matrix(f(as.character(unlist(overview))), ncol = ncol(overview))
overview <- as.data.frame(overview)
names(overview) <- c('year', 'fires', 'civ.deaths', 'civ.injuries', 'ff.deaths',
                     'ff.injuries', 'damage.reported', 'damage.2010dollars')

除了上标中的值附加到表格单元格中的值的末尾之外，我完全得到了我想要的。例如，(使用上面给出的 url 中的行和列名称)2001 年的平民死亡人数存储为 61963，而它们应该是 6196，因为上标 3 被解释为一个额外的数字。表格中缺少上标的任何单元格都完全正确。

在文档中挣扎了几个小时后，我能够使用这些功能 parseHTML和 getNodeSet从 XML 包中识别包含 <sup> 的所有节点标签，但无法弄清楚从那里做什么:

overview <- htmlParse(url.overview)
getNodeSet(overview, "//sup")

我认为我需要以某种方式删除 XML 树的这些部分，然后将结果传递回 readHTMLTable 进行进一步处理，但我无法弄清楚如何执行此操作。

我会很感激你的想法。

Answer 1

尝试

require(XML)
url.overview <- "http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033"
overview <- htmlParse(url.overview,encoding="UTF-8")
temp<-getNodeSet(overview, "/*//span[@class=\"small\"]/sup")
removeNodes(temp)
app.data<-readHTMLTable(overview)[[2]]

所以在这里我们只是删除我们不想要的节点并将剩余的节点反馈回 readHTMLTable拿第二张 table 。我在此 Windows 框中遇到编码问题。您可能希望将编码保留在 htmlParse 中。或者它可能在没有你的情况下正常工作。