使用 R 从 xml 节点中提取 javascript 语法答案

【问题标题】：Extracting javascript syntax from a xml node using R使用 R 从 xml 节点中提取 javascript 语法
【发布时间】：2015-02-17 22:16:07
【问题描述】：

我希望这不会太麻烦，但我正在尝试从 XML 节点或使用 R 的节点集提取 javascript 语法。

我想从以下节点中提取部分 url：

[[76]] <'a href="javascript:;" onclick="self.name='regmain'; window.open('regcssm.asp?Cl=23&amp;Lg=1&amp;Co=1201.00', 'regpopup', 'height=400,width=400,resizable=yes,scrollbars=yes'); return false;">1201.00<'/a>

这个页面来自UN Harmonized System for Products Classification，实际上是一个.asp页面。

但是，我设法解析它并找到了必要的节点。

无论是从网络上还是在此论坛中，我都无法确定 R 是否具有提取此 url 的能力：(regcssm.asp?Cl=23&Lg=1&Co=1201.00)。我试过 xmlGetAttr （它只给出'javascript'）和 xpathSApply 给出 1201.00。

有没有办法这样做，或者从 R 中的 xml 中提取这一行作为文本字符串？

WIN 7-64BIT，R 3.0.1。

【问题讨论】：

标签： javascript r xml-parsing web-scraping

【解决方案1】：

假设你解析的 html 存储在bar

# Extract the relevant "onclick" attributes
 w <- xpathSApply(bar,path = '//a[@href="javascript:;"][@onclick]',
        fun = xmlGetAttr, "onclick")

# extract the text between brackets `window.open()`  split by `,` and then
# extract the first component and remove `'` 

gsub("'",'',sapply(strsplit(gsub(".*\\((.*)\\).*", "\\1", w),','),head,1))

【讨论】：

也可以，所以我错过了带有@onclick 属性的额外barackets。毕竟我可能会坚持下去，因为我已经熟悉 xml 包......

【解决方案2】：

我确信有一个更短的答案（我有 R 版本 3.1.1）：

install.packages("rvest"); install.packages("magrittr")
library(rvest);library(magrittr)
UN <- html("http://unstats.un.org/unsd/cr/registry/regso.asp?Ci=11&Lg=1")
UN %<>% html_nodes(".content table") %>% .[[2]] %>% 
html_nodes(".tcont, .lcont") %>% html_nodes("a") %>% .[-1]
UN %<>% lapply(function(x) x %>% as("character"))
UN %<>% substr(67, 108)
UN

【讨论】：

谢谢@dimitris_ps，这太完美了。不知道 rvest 和 magrittr，所以我一有空就会深入研究它们，或者下次我必须执行类似的任务。