从html源将XML数据读入R

Question

我想将数据从一个给定的网页导入R，说这一个 。

在源代码中（但不在实际页面上），我想要获取的数据存储在一行JavaScript代码中，该代码以这样的方式开始：

chart_Line1.setDataXML("<graph rotateNames (stuff omitted) >
<set  value='699.99' name='16.02.2013'  />
<set  value='731.57' name='18.02.2013'  />  
<set  value='more values' name='more dates'  />
...
<trendLines> (now a different command starts, stuff omitted)
</trendLines></graph>")

（请注意，为了便于阅读，我包括了换行符；数据在原始文件中的一行中。仅导入以chart_Line1.setDataXML开头的行就足够了-如果要在源代码中输入56行看看你自己）

我可以使用scan("URLofFile", what="raw")将整个html文件读取为字符串，但是如何从中提取数据？

我可以使用what="..."指定数据格式，请记住没有用于分隔数据的换行符，但是在不相关的前缀和后缀中存在多个换行符？

这是可以使用R工具很好地完成的事情，还是您建议该数据获取应该使用其他脚本来完成？

Answer 1

经过反复试验，我能够找到包含数据的确切行。 我读了整个HTML文件，然后处理所有其他线路。

require(zoo)
require(stringr)
# get html data, scrap all lines but the interesting one
theurl <- "https://www.magickartenmarkt.de/Black_Lotus_Unlimited.c1p5093.prod"
sec <- scan(file =theurl, what = "character", sep="\n")
sec <- sec[45]
# extract all strings of the form "value='X'", where X is a 1 to 3 digit number with some separator and 2 decimal places
values <- str_extract_all(sec, "value='[0-9]{1,3}.[0-9]{2}'")
# dispose of all non-numerical, non-separator values
values <- str_replace_all(unlist(values),"[^0-9/.]","")
# get all dates in the form "name='DD.MM.YYYY"
dates <- str_extract_all(sec, "name='[0-9]{2}.[0-9]{2}.[0-9]{4}'")
# dispose of all non-numerical, non-separator values
dates <- str_replace_all(unlist(dates),"[^0-9/.]","")
# convert dates to canonical format
dates <- as.Date(dates,format="%d.%m.%Y")
# put values and dates into a list of ordered observations, converting the values from characters to numbers first.
MyZoo <- zoo(as.numeric(values),dates)