用RVest讀取HTML時不希望有的反斜杠

Question

我正在嘗試使用rvest閱讀網站，我的代碼如下：

pg <- read_html("https://www.gob.mx/presidencia/archivo/prensa?utf8=%E2%9C%93&idiom=es&style=list&order=DESC&filter_id=&filter_origin=archive&tags=&year=&category=Discursos+del+Presidente&year=&category=Discursos+del+Presidente")

但是，當我閱讀“ pg”時，在html類之間會出現雙反斜杠，如以下代碼片段所示：

<a class='\\"small-link\\"' href="%5C%22/presidencia/es/prensa/epn-palabras-134612?idiom=es%5C%22" target='\\"_blank\\"'>

當我閱讀其他網站時，不會發生這種情況：

pg2 <- read_html("http://www.imdb.com/title/tt0245712/")
#output: <head>\n<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">\n

知道為什么會發生這種情況嗎？ 我真的想擺脫它，因為它阻礙了我使用html_nodes（）檢索數據：

pg  %>%
  html_nodes(".small-link")
#output: {xml_nodeset (0)}

更新！

僅當將rvest與墨西哥IP一起使用時，似乎才會發生此錯誤：/
按照下面的建議，我嘗試使用正則表達式清理對象（“ pg”）。

因此，在查看pg div類時，請使用以下雙反斜杠：

pg 
#Result: <div class='\\"col-md-12' small-bottom-buffer>

如果我清理pg試圖刪除一個反斜杠，它似乎可以正常工作，而我只剩下一個：

pg2 <- gsub("\\\\", "", pg)
pg2
#Result: <div class='\"col-md-12' small-bottom-buffer>

但是，如果我嘗試刪除兩個反斜杠，我反而會得到三個反斜杠！：

pg3 <- gsub("\\\\\\\\", "", pg)
pg3
#<div class='\\\"col-md-12' small-bottom-buffer>

我不明白這種行為

Answer 1

我對rvest不夠熟悉，無法提供rvest解決方案，但是您可以使用readLines和grep查找所需的數據。 然后，您可以使用REGEX進行清理

pg3 <- readLines("https://www.gob.mx/presidencia/archivo/prensa?utf8=%E2%9C%93&idiom=es&style=list&order=DESC&filter_id=&filter_origin=archive&tags=&year=&category=Discursos+del+Presidente&year=&category=Discursos+del+Presidente")

grep('<a class=\"small-link\"', pg3, value = TRUE)
grep('<a class="small-link"', pg3, value = TRUE)
grep('<a class=\\"small-link\\"', pg3, value = TRUE)

所有這三個工作。 您看到\\“的原因是\\是轉義字符，而”是特殊字符，因為它用於將字符數據輸入到R中。例如：

> print("test"test")
Error: unexpected symbol in "print("test"test"
> print('test"test')
[1] "test\"test"
> print("test\"test")
[1] "test\"test"

用RVest讀取HTML時不希望有的反斜杠

問題描述

1 個解決方案

解決方案1
0 2017-11-17 21:12:15

用RVest讀取HTML時不希望有的反斜杠

問題描述

1 個解決方案

解決方案1 0 2017-11-17 21:12:15

解決方案1
0 2017-11-17 21:12:15