使用R从HTML节点树中提取文本

Question

我目前正在尝试从已解析如下的HTML树中抓取文本：-

require(RCurl)
require(XML)

query.IMDB <- getURL('http://www.imdb.com/title/tt0096697/epdate') #Simpsons episodes, rated and ordered by broadcast date
names(query.IMDB)

query.IMDB

query.IMDB <- htmlParse(query.IMDB)
df.IMDB <- getNodeSet(query.IMDB, "//*/div[@class='rating rating-list']")

我的第一次尝试只是在生成的向量上使用grep，但这失败了。

data[grep("Users rated this", "", df.IMDB)]
#Error in data... object of type closure is not subsettable

我的下一个尝试是在查询中的各个点上使用grep.IMDB向量：-

vect <- numeric(length(df.IMDB))

for (i in 1:length(df.IMDB)){

      vect[i] <- data[grep("Users rated this", "", df.IMDB)]

  }

但这也会引发闭包而不是子集错误。

最后在grep抛出周围尝试上面没有data[]函数

Error in df.IMDB[i] <- grep("Users rated this", "", df.IMDB[i]) : replacement has length zero

我实际上希望最终将所有内容替换为给定文本字符串后的空格以外的[0-9].[0-9]形式的数字，但是我首先要做一个简单的版本以使该功能正常运行。

任何人都可以建议我应使用什么功能来编辑查询中每个点的文本。

Answer 1

此处无需使用grep （带有HTML文件的AVoid正则表达式）。 使用XML包中的便捷功能readHTMLTable ：

library(XML)
head(readHTMLTable('http://www.imdb.com/title/tt0096697/epdate')[[1]][,c(2:4)])
                            Episode UserRating UserVotes
1 Simpsons Roasting on an Open Fire        8.2     2,694
2                   Bart the Genius        7.8     1,167
3                   Homer's Odyssey        7.5     1,005
4     There's No Disgrace Like Home        7.9     1,017
5                  Bart the General        8.0       992
6                      Moaning Lisa        7.4       988

这为您提供了等级表，...也许您应该将UserVotes转换为数字。