rvest 抓取 html 內容值

Question

我正在嘗試抓取以下頁面： 鏈接以創建一個具有 6 列的數據框：位置、公司和元數據 (1-5)。 不幸的是，我不知道如何捕獲content的值，例如<meta itemprop="jobLocation" content="Tauragė" />所以值 Tauragė 將用於創建我的數據框（在本例中）。

我的初始代碼：

if(!require("tidyverse")) install.packages("tidyverse"); library("tidyverse")
if(!require("rvest")) install.packages("rvest"); library("rvest")

# setting url and reading html code 
url <- "https://www.cv.lt/employee/announcementsAll.do?regular=true&salaryInterval=-1&interval=2&ipp=1000"
html <- read_html(url, encoding = "utf-8")

# creating a dataframe of ads
ads <- html %>%{
  data.frame(
    position=html_nodes(html, "tbody p a:nth-child(1)") %>% html_text(),
    company=html_nodes(html, "tbody p a:nth-child(2)")%>% html_text(),
    meta1=...
    meta2=...
    meta3=...
    meta4=...
    meta5=... 
)}

html代碼示例：

<td>
    <p itemscope itemtype="http://schema.org/JobPosting">
        <a href="/valstybes-tarnyba/vsi-taurages-rajono-pirmines-sveikatos-prieziuros-centro-direktorius-taurageje-2-338912727/?sri=83" target="_blank" itemprop="title" onclick="$(this).parents('tr.data').addClass('read');">VšĮ Tauragės rajono pirminės sveikatos priežiūros centro direktorius</a>
        <a href="/viesoji-istaiga-taurages-rajono-pirmines-sveikatos-prieziuros-centras-darbo-skelbimai" target="_blank" itemprop="hiringOrganization" itemscope itemtype="http://schema.org/Organization"><span itemprop="name">Viešoji įstaiga Tauragės rajono pirminės sveikatos priežiūros centras</span></a>
        <meta itemprop="jobLocation" content="Tauragė" />
        <meta itemprop="datePosted" content="2019-08-22" />
        <meta itemprop="employmentType" content="FULL_TIME" />
        <meta itemprop="validThrough" content="2019-09-06T00:00:00.000" />
        <meta itemprop="url" content="https://www.cv.lt/valstybes-tarnyba/vsi-taurages-rajono-pirmines-sveikatos-prieziuros-centro-direktorius-taurageje-2-338912727" />
    </p>
</td>
<td>

Answer 1

你可以運行這個，

my_content <- html %>% html_nodes("tbody p meta")  %>%  html_attr("content") 

之后，通過索引它們中的每一個，您可以將它們拆分為meta1、meta2、...meta5 之類的，

index <- rep(1:5,101)
meta <- data.frame(Meta= my_content,Index=index)

meta1 <- meta[meta$Index==1,]
meta2 <- meta[meta$Index==2,]
meta3 <- meta[meta$Index==3,]
meta4 <- meta[meta$Index==4,]
meta5 <- meta[meta$Index==5,]      

編輯 ：

另一種方法是在html_nodes()使用itemprop值

html %>% html_nodes("[itemprop='jobLocation']") %>% html_attr("content") 

只為您提供Meta1 。 如果您為每個Meta使用itemprop值，您可以像這樣獲取其中的數據，

 meta1 <-    html %>% html_nodes("[itemprop='jobLocation']") %>% html_attr("content") 
 meta2 <-    html %>% html_nodes("[itemprop='datePosted']") %>% html_attr("content") 
 meta3 <-    html %>% html_nodes("[itemprop='employmentType']") %>% html_attr("content") 
 meta4 <-    html %>% html_nodes("[itemprop='validThrough']") %>% html_attr("content") 
 meta5 <-    html %>% html_nodes("[itemprop='url']") %>% html_attr("content")