识别 R 脚本的 URL 的正确 CSS 选择器答案

【问题标题】：identify the correct CSS selector of a url for an R script识别 R 脚本的 URL 的正确 CSS 选择器
【发布时间】：2016-08-12 04:13:18
【问题描述】：

我正在尝试从网站获取数据，感谢帮助我可以访问以下脚本：

require(httr)
require(rvest)
      res <- httr::POST(url = "http://apps.kew.org/wcsp/advsearch.do", 
                    body = list(page = "advancedSearch", 
                                AttachmentExist = "", 
                                family = "", 
                                placeOfPub = "", 
                                genus =      "Arctodupontia", 
                                yearPublished = "", 
                                species ="scleroclada", 
                                author = "", 
                                infraRank = "", 
                                infraEpithet = "", 
                                selectedLevel = "cont"), 
                    encode = "form") 
  pg <- content(res, as="parsed")
  lnks <- html_attr(html_node(pg,"td"), "href")

但是，在某些情况下，例如上面的示例，它不会检索到正确的链接，因为出于某种原因，html_attr 在 html_node 检测到的节点中找不到 url（“href”）。到目前为止，我已经尝试了不同的 CSS 选择器，例如“td”、“a.onwardnav”和“.plantname”，但它们都没有生成 html_attr 可以正确处理的对象。有什么提示吗？

【问题讨论】：

标签： css r web-scraping rvest httr

【解决方案1】：

你真的很接近得到你所期望的答案。如果您想从所需页面中提取链接，则：

lnks <- html_attr(html_nodes(pg,"a"), "href")

将返回带有“href”属性的“a”标签处的所有链接的列表。注意命令是 html_nodes 而不是 node。有多个“a”标签，因此是复数。
如果您正在查找正文中的表中的信息，请尝试以下操作：

html_table(pg, fill=TRUE)
#or this
html_nodes(pg,"tr")

第二行将返回表中 9 行的列表，然后可以对其进行解析以获得行名（“th”）和/或行值（“td”）。
希望这会有所帮助。

【讨论】：