Fonctions XPATH et prédicats avancés

Extraction de données Web en R

Timo Grossenbacher

Instructor

La fonction position()

...
<ol>
  <li>Premier élément.</li>
  <li>Deuxième élément.</li>
  <li>Troisième élément.</li>
  <li>Quatrième élément.</li>
  <li>Cinquième élément.</li>
</ol>
...

html %>% 
  html_elements(xpath = 
             '//ol/li[position() = 2]')
# Sélecteur CSS équivalent : 
# ol > li:nth-child(2)

{xml_nodeset (1)}
[1] <li>Deuxième élément.</li>

Autres opérateurs pour position()

...
<ol>
  <li>Premier élément.</li>
  <li>Deuxième élément.</li>
  <li>Troisième élément.</li>
  <li>Quatrième élément.</li>
  <li>Cinquième élément.</li>
</ol>
...

html %>% 
  html_elements(xpath = 
             '//ol/li[position() < 3]')

{xml_nodeset (2)}
[1] <li>Premier élément.</li>
[2] <li>Deuxième élément.</li>

Autres opérateurs pour position()

...
<ol>
  <li>Premier élément.</li>
  <li>Deuxième élément.</li>
  <li>Troisième élément.</li>
  <li>Quatrième élément.</li>
  <li>Cinquième élément.</li>
</ol>
...

html %>% 
  html_elements(xpath = 
             '//ol/li[position() != 3]')

{xml_nodeset (4)}
[1] <li>Premier élément.</li>
[2] <li>Deuxième élément.</li>
[3] <li>Quatrième élément.</li>
[4] <li>Cinquième élément.</li>

Combiner des prédicats

...
<ol>
  <li class = 'blue'>Premier élément.</li>
  <li>Deuxième élément.</li>
  <li class = 'blue'>Troisième élément.</li>
  <li>Quatrième élément.</li>
  <li class = 'blue'>Cinquième élément.</li>
</ol>
...

html %>% 
  html_elements(xpath = 
  '//ol/li[position() != 3 and @class = "blue"]')

{xml_nodeset (2)}
[1] <li class="blue">Premier élément.</li>
[2] <li class="blue">Cinquième élément.</li>

html %>% 
  html_elements(xpath = 
  '//ol/li[position() != 3 or @class = "blue"]')

{xml_nodeset (5)}
...

La fonction count()

...
<ol>
  <li class = 'blue'>Premier élément.</li>
  <li>Deuxième élément.</li>
  <li class = 'blue'>Troisième élément.</li>
</ol>
<ol>
  <li class = 'red'>Premier élément.</li>
  <li>Deuxième élément.</li>
</ol>
...

html %>% 
  html_elements(xpath = '//ol[count(li) = 2]')

{xml_nodeset (1)}
[1] <ol>\n<li class="red">...

html %>% 
  html_elements(xpath = '//ol[count(li) > 2]')

{xml_nodeset (1)}
[1] <ol>\n<li class="blue">...

Essayons quelques fonctions !

Extraction de données Web en R