没有css路径R的数据抓取文本

Question

您好，我给您写信是因为我正在努力寻找一种方法并从网页中删除数据（“https://nabtu.org/about-nabtu/official-directory/building-trades-local-councils-overview/”）。 我这样做是为了练习，只是为了学习如何删除数据。我正在尝试删除上述网页（办公室、传真、电子邮件）的联系数据，但由于没有确定的 css 路径，我无法做到我可以使用 Selectorgadget。我使用的是 R，我使用的脚本是这样的。

library(rvest)
page_name <-read_html("page html")


page_name %>%
html_node("selector gadget node") %>%
html_text()

我删除了所有其他数据，但无法删除此联系信息。 任何帮助将不胜感激，因为我的头要炸了。在此先感谢。

Answer 1

我看不出问题出在哪里。每个联系人块都有一个.council-list 列表类。使用它，您可以单独提取联系信息。然后，使用一些字符串/正则表达式操作来提取确切的字段。

library(rvest)
page_name <- read_html('https://nabtu.org/about-nabtu/official-directory/building-trades-local-councils-overview/')
contact_strings = page_name %>%
  html_nodes('.council-list') %>%
  html_text()

# Filter out strings that don't contain contact information
contact_strings = grep(x = contact_strings, 'Email|Fax|office', ignore.case = T, value = T)

# Extract infomration 
library(stringr)
library(magrittr)
office = str_extract(contact_strings, 'Office:[^[:alpha:]]*')
fax = str_extract(contact_strings, 'Fax:[^[:alpha:]]*')
email = str_extract(contact_strings, 'Email: [^ ]*')