readHTMLTables -- 检索与政府首脑相关的文章的国家名称和 url

Question

我想制作一张真实世界总统的 map 。

为此，我想从维基百科中抓取每位总统的图像。

第一步是从 wiki 页面获取数据: http://en.wikipedia.org/wiki/List_of_current_heads_of_state_and_government

我在获取国家名称和总统页面 url 时遇到了麻烦，因为该表具有行跨度。

目前，我的代码如下所示，但由于行跨越，所以不正常。

    library(XML)    
    u = "http://en.wikipedia.org/wiki/List_of_current_heads_of_state_and_government"
    doc = htmlParse(u)
    tb = getNodeSet(doc, "//table")[[3]]

    stateNames <- readHTMLTable(tb)$State
    presidentUrls <- xpathSApply(tb, "//table/tr/td[2]/a[2]/@href")

欢迎提出任何想法!

垫子

Answer 1

如果表中存在异质性，我认为我们不能通过一行代码来解决问题。在您的情况下，一些 td 具有 colspan=2，而其他则没有。因此可以使用如下过滤器分别选择和处理它们:

    nations1 <- xpathSApply(tb, "//table/tr[td[@colspan='2']]/td[1]/a/text()")
    nations2 <- xpathSApply(tb, "//table/tr[count(td)=3]/td[1]/a/text()")

如果您满足表中其他类型的条件，请记住 XPath 有更多。