在 xpath 中找不到任何内容时如何返回 NA？

Question

这个问题很难表述，但举个例子就很容易理解了。

我使用 R 来解析 html 代码。

在下面，我有一个名为html的html代码，然后我尝试提取//span[@class="number"]中的所有值以及//span[@class="surface"]中的所有值：

html <- '<div class="line">
<span class="number">Number 1</span>
<span class="surface">Surface 1</span>
</div>
<div class="line">
<span class="surface">Surface 2</span>
</div>' 

page = htmlTreeParse(html,useInternal = TRUE,encoding="UTF-8")

number = unlist(xpathApply(page,'//span[@class="number"]',xmlValue))
surface = unlist(xpathApply(page,'//span[@class="surface"]',xmlValue))

number 的输出是：

[1] "Number 1"

surface 的输出是：

[1] "Surface 1" "Surface 2"

然后，当我尝试 cbind 这两个元素时，我不能，因为它们的长度不同。

所以我的问题是：我该怎么做才能得到number 的输出：

[1] "Number 1" NA

然后我可以结合number和surface。

Answer 1

library( 'XML' )  # load library
doc = htmlParse( html )  # parse html
# define xpath expression. div contains class = line, within which span has classes number and surface
xpexpr <- '//div[ @class = "line" ]'  

a1 <- lapply( getNodeSet( doc, xpexpr ), function( x ) { # loop through nodeset
      y <- xmlSApply( x, xmlValue, trim = TRUE )  # get xmlvalue
      names(y) <- xmlApply( x, xmlAttrs ) # get xmlattributes and assign it as names to y
      y   # return y
    } )

遍历a1 并提取number 和surface 的值并相应地设置名称。然后列绑定个数和面值

nm <- c( 'number', 'surface' )
do.call( 'cbind', lapply( a1, function( x ) setNames( x[ nm ], nm ) ) )
#                [,1]        [,2]       
# number  "Number 1"  NA         
# surface "Surface 1" "Surface 2"

数据：

html <- '<div class="line">
<span class="number">Number 1</span>
<span class="surface">Surface 1</span>
</div>
<div class="line">
<span class="surface">Surface 2</span>
</div>' 

Answer 2

为每个标签选择封闭标签（此处为div）并在其中查找每个标签更容易。加上我觉得更简单的 rvest 和 purrr，

library(rvest)
library(purrr)

html %>% read_html() %>% 
    html_nodes('.line') %>% 
    map_df(~list(number = .x %>% html_node('.number') %>% html_text(), 
                 surface = .x %>% html_node('.surface') %>% html_text()))

#> # A tibble: 2 × 2
#>     number   surface
#>      <chr>     <chr>
#> 1 Number 1 Surface 1
#> 2     <NA> Surface 2