XPATH 简介

R 语言网页抓取

Timo Grossenbacher

Instructor

XML 路径语言

  • 以 HTML 树路径表示，如 //div/p[@class = "blue"]（等同于 div > p.blue）
  • 可基于其他节点属性选择节点
  • 支持更高级和自定义的选择
  • 例如：按子节点属性选择元素，如仅选含有 special 类 a 的 div
R 语言网页抓取

一个简单的 HTML 树，选中所有 p 元素

html %>%
    html_elements(xpath = '//p')
# CSS selector equivalent: p

html %>%
    html_elements(xpath = '//body//p')
# CSS selector equivalent: body p

html %>%
    html_elements(xpath = '/html/body//p')
# CSS selector equivalent: html > body p
R 语言网页抓取

一个简单的 HTML 树，仅选中 div 下的 p 元素

html %>%
    html_elements(xpath = '//div/p')
# CSS selector equivalent: div > p
R 语言网页抓取

一个简单的 HTML 树，仅选中含有 a 子节点的 div

html %>%
    html_elements(xpath = '//div[a]')
# CSS selector equivalent: none
R 语言网页抓取

语法：轴、步、谓词

  • 轴：/ 或 //
  • 步：HTML 类型，如 span、a
  • 谓词：[...]
  • 例：//span/a[@class = "external"]（CSS：span > a.external）
  • 例：//*[@id = "special"]//div（CSS：#special div 或 *#special div）
R 语言网页抓取

让我们来练习！

R 语言网页抓取

Preparing Video For Download...