Combinateurs CSS

Web scraping en R

Timo Grossenbacher

Instructor

Quatre combinateurs différents

Structure : h2#someid {space|>|+|~} .someclass

space : Combinateur descendant

> : Combinateur enfant

+ : Combinateur de frère adjacent

~ : Combinateur de frères généraux

Les combinateurs descendant et enfant

<html>
  <body>
    <div class = 'first'>
      <a>Un lien.</a>
      <p>Le premier paragraphe avec 
        <a>un autre lien</a>.
      </p>
    </div>
    <div>
      Pas un vrai paragraphe, 
      mais avec un <a href="#">lien</a>.
    </div>
  </body>
</html>

html %>% 
    html_elements('div.first a')

{xml_nodeset (2)}
[1] <a>Un lien.</a>
[2] <a>un autre lien</a>

html %>% 
    html_elements('div.first > a')

{xml_nodeset (1)}
[1] <a>Un lien.</a>

Les combinateurs de frères

<html>
  <body>
    <div class = 'first'>
      <a>Un lien.</a>
      <p>Le premier paragraphe avec 
        <a>un autre lien</a>.
      </p>
    </div>
    <div>
      Pas un vrai paragraphe, 
      mais avec un <a href="#">lien</a>.
    </div>
    <p>Un paragraphe.</p>
  </body>
</html>

html %>% html_elements('div.first + div')

{xml_nodeset (1)}
[1] <div>\n Pas un vrai...

html %>% html_elements('div.first ~ div')

{xml_nodeset (1)}
[1] <div>\n Pas un vrai...

html %>% html_elements('div.first ~ *')

{xml_nodeset (2)}
[1] <div>\n Pas un vrai... [2] <p>Un paragraphe...

Quand les combinateurs sont utiles

...
    <div id = 'start'>
      <h1 class = 'first'>Premier</h1>
    </div>
    <div id = 'end'>
      <p class = 'text1'>Un peu de texte.</p>
      <p class = 'text2'>Plus de texte.</p>
    </div>
...

html %>% html_elements('.text2')

{xml_nodeset (1)}
[1] <p class="text2">Plus de texte.</p>

...
    <div>
      <h1>Premier</h1>
    </div>
    <div>
      <p>Un peu de texte.</p>
      <p>Plus de texte.</p>
    </div>
...

html %>% html_elements('p + p')

{xml_nodeset (1)}
[1] <p>Plus de texte.</p>

Passons à la pratique !

Web scraping en R