假设我read_html_live()
从rvest
包中提取了一些如下所示的代码:
books <- minimal_html('
<div>
<div class="book">
<div class="booktitle">Book 1</div>
<div class="year">1999</div>
<div class="author">Author 1</div>
<div class="author">Author 2</div>
<div class="author">Author 3</div>
</div>
<div class="book">
<div class="booktitle">Book 2</div>
<div class="year">2022</div>
<div class="author">Author 4</div>
</div>
<div class="book">
<div class="booktitle">Book 3</div>
<div class="year">1845</div>
<div class="author">Author 5</div>
<div class="author">Author 6</div>
<div class="author">Author 7</div>
<div class="author">Author 8</div>
</div>
</div>')
我想使用该rvest
包创建一个包含上述信息的数据框(或 tibble 也可以)。我希望它按作者级别进行组织,这样每行将包含作者、书名和年份。
如果我只关心第一作者,那就简单了。例如:
data0 <- books %>% html_elements(".book")
title <- data0 %>% html_element(".booktitle") %>% html_text2()
year <- data0 %>% html_element(".year") %>% html_text2()
author1 <- data0 %>% html_element("author") %>% html_text2()
data <- data.frame(title, year, author1)
但是,我实际上想提取所有作者,作者是书中的“子作者”。数据框现在将有八行,每个作者一行。例如,第 8 行将有Book 3
、1845
和Author 8
。我该怎么做?
这是一个粗略的想法,但我正在寻找更简单的解决方案:
data0 <- books %>% html_elements(".book")
title <- data0 %>% html_element(".booktitle") %>% html_text2()
year <- data0 %>% html_element(".year") %>% html_text2()
authors <- data0 %>% html_element(".author")
然后循环遍历作者的三个元素,并将它们分别保存到数据框中。然后将每个作者数据框与相关标题和年份关联起来,并以某种方式将其转换为长数据框。
lapply
以下是循环遍历书籍节点的一种方法:这会将类属性和文本放入以长格式输出的名称-值对数据集中。将书籍标识符 (
book
) 添加到输出数据框中,以便更轻松地执行分组操作(例如转换为宽格式):例如,