如何使用XML2读取特定标签

Question

问题

我正在尝试使用xml2获取https://www.ato.gov.au/sitemap.xml （注意，这是一个〜9mb的文件）中的所有url。 任何指针表示赞赏。

我的尝试

library("xml2")
data1 <- read_xml("https://www.ato.gov.au/sitemap.xml")
xml_find_all(data, ".//loc")

我没有得到我需要的输出：

{xml_nodeset（0）}

Answer 1

不使用xml2但是我可以使用rvest来获取它

library(dplyr)
library(rvest)

url <- "https://www.ato.gov.au/sitemap.xml"

url %>%
  read_html() %>%
  html_nodes("loc") %>%
  html_text()

Answer 2

万一您需要数据框中的所有网址，可以使用以下代码：

library(XML)
library(xml2)
library(httpuv)
library(httr)
library(RCurl)
library(data.table)
library(dplyr)
url <- "https://www.ato.gov.au/sitemap.xml"
xData <- getURL(url)
doc <- xmlParse(xData)
data<-xmlToList(doc)
a<-as.data.frame(unlist(data))
a<-dplyr::filter(a,grepl("http",`unlist(data)`) )
head(a)

上面的代码将为您提供一个包含所有URL列表的数据框。 我只是想知道您还可以使用“ Xenu”网址提取程序软件从网站中提取未包含在站点地图中的网址。 如果您卡在中间某个地方，请告诉我。