【发布时间】：2012-03-22 13:45:55
【问题描述】：
我想从我的计算机中读取一个文件（该文件是一个 html 文档）并将其存储在语料库中（我正在使用包tm）。
你有什么解决办法吗？
这是我尝试过的：
data<-read.csv(fileName)
c2<-Corpus(VectorSource(data))
它主要工作，但我有时会收到错误：列多于列名
我想我不应该将read.csv 用于网页，因为我没有找到更好的解决方案。
感谢您的帮助 =)
【问题讨论】：
【发布时间】：2012-03-22 13:45:55
【问题描述】：
网页肯定不符合 CSV 应有的规范。相反，您可能希望使用 XML 包中的 readHTMLTable 函数。
这是从实际网页中抓取的，但应该是相同的想法
file <- "http://xkcd.com/"
dat <- readLines(file)
c2 <- Corpus(VectorSource(dat))
【讨论】：
-
感谢您的回答，但我不明白我应该如何使用 readHTMLTable 的结果创建语料库。你介意给我举个例子吗？
-
@user1278743 澄清一下，您是专门寻找 HTML 页面的文本，对吗？你真的不需要为你的语料库提取页面的表格，对吗？
-
@user1278743 啊，我明白了 - 你想退回什么？只是显示的文字？ html标签也是如此？您能否提供更多关于您期望退货的详细信息。
-
是的，我想要带有 html 标签和内容的文本。我想把整个文本放在一个语料库中。