我是XPath的新手 – 请放轻松我.
数据集是新泽西州学校report cards.个人成绩单看起来像this
url <- paste("http://education.state.nj.us/rc/rc11/rcreport.PHP?c=",all_sch[i,1],";d=",2],";s=",3],sep = '') doc = htmlParse(url) admin_salaries = getNodeSet(doc,'//table[@summary="Administrative Salaries and Benefits"]')
但是在没有很多额外识别信息可以解决的情况下遇到麻烦.
例如,具有学校名称和分区的表格如下所示:
<table cellpadding="0" cellspacing="0"> <tr> <td><strong>SCHOOL:</strong></td> <td> New Jersey Ave</td> </tr> <tr> <td><strong>COUNTY:</strong></td> <td> Atlantic</td> </tr> <tr> <td><strong>disTRICT:</strong></td> <td> Atlantic City</td> </tr> </table>
我的策略是’找到表是节点并且有文本COUNTY
Reading尽可能多地关于XPath,我正在尝试这个:
names = getNodeSet(doc,'//table and //*[contains(text(),"COUNTY")]')
但它不是返回表节点,而是给我一个布尔值TRUE值.
所以,问题是:我如何使用XPath查找具有COUNTY和SCHOOL文本的表?
我已经尝试了很多其他策略,但收效甚微.其他人建议的一种方法就是使用以下方法提取每个表数据单元:
xpathApply( htmlTreeParse(url,useInt=T),"//td",function(x) xmlValue(x))
但是模板对于缺失的数据并不一致 – 不完整的报告具有完全不同的结构,并且元素在2,000个页面中的位置不同.
任何帮助是极大的赞赏!
解决方法
使用xpath,获取所有表
xpathSApply( doc,"//table[contains(.,'SCHOOL:') and contains(.,'COUNTY') ]",xmlValue)
得到这一行
xpathSApply( doc,"//tr/td[contains(.,'SCHOOL:') and contains(.,xmlValue)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。