Как изолировать один элемент со очищенной веб-страницы в R

Я хочу использовать R, чтобы очистить эту страницу: (http://www.fifa.com/worldcup/archive/germany2006/results/matches/match=97410001/report.html) и другие, чтобы получить счетчики и время.

До сих пор это то, что у меня есть:

require(RCurl)
require(XML)

theURL <-"http://www.fifa.com/worldcup/archive/germany2006/results/matches/match=97410001/report.html"
webpage <- getURL(theURL, header=FALSE, verbose=TRUE) 
webpagecont <- readLines(tc <- textConnection(webpage)); close(tc)  

pagetree <- htmlTreeParse(webpagecont, error=function(...){}, useInternalNodes = TRUE)

а объект pagetree теперь содержит указатель на мой проанализированный html (я думаю). Часть, которую я хочу, это:

<div class="cont")<ul>
<div class="bold medium">Goals scored</div>
        <li>Philipp LAHM (GER) 6', </li>
        <li>Paulo WANCHOPE (CRC) 12', </li>
        <li>Miroslav KLOSE (GER) 17', </li>
        <li>Miroslav KLOSE (GER) 61', </li>
        <li>Paulo WANCHOPE (CRC) 73', </li>
        <li>Torsten FRINGS (GER) 87'</li>
</ul></div>

Но теперь я теряюсь в том, как их изолировать, и, честно говоря, xpathSApply и xpathApply путают меня пчелы!

Итак, кто-нибудь знает, как сформулировать команду для извлечения элемента, содержащегося в тегах <div class="cont">?

Ответы

Ответ 1

Эти вопросы очень полезны при работе с веб-соскабливанием и XML в R:

Что касается вашего конкретного примера, в то время как я не уверен, что вы хотите, чтобы результат выглядел, это получает "забитые цели" в качестве символьного вектора:

theURL <-"http://www.fifa.com/worldcup/archive/germany2006/results/matches/match=97410001/report.html"
fifa.doc <- htmlParse(theURL)
fifa <- xpathSApply(fifa.doc, "//*/div[@class='cont']", xmlValue)
goals.scored <- grep("Goals scored", fifa, value=TRUE)

Функция xpathSApply получает все значения, соответствующие заданным критериям, и возвращает их как вектор. Обратите внимание, как я ищу div с class= 'cont'. Использование значений классов часто является хорошим способом анализа HTML-документа, поскольку они являются хорошими маркерами.

Вы можете очистить это, но хотите:

> gsub("Goals scored", "", strsplit(goals.scored, ", ")[[1]])
[1] "Philipp LAHM (GER) 6'"    "Paulo WANCHOPE (CRC) 12'" "Miroslav KLOSE (GER) 17'" "Miroslav KLOSE (GER) 61'" "Paulo WANCHOPE (CRC) 73'"
[6] "Torsten FRINGS (GER) 87'"