使用 XML / RCurl R 包解析 HTML 表，而不使用 readHTMLTable 函数

Question

我正在尝试从单个 html 表中抓取/提取数据：http://www.theplantlist.org/tpl/record/kew-419248" theplantlist.org/tpl/record/kew-419248 和许多非常相似的页面。 我最初尝试使用以下函数来读取表格，但它并不理想，因为我想将每个物种名称分成其组成部分（属/物种/种下/作者等）。

library(XML)
readHTMLTable("http://www.theplantlist.org/tpl/record/kew-419248")

我使用 SelectorGadget 来识别我想要提取的每个表元素（不一定是最短的）的唯一 XPATH：

对于属名： //[contains(concat( " ", @class, " " ), concat( " ", "同义词", " " ))]// [contains(concat( " ", @class, " " ), concat( " ", "genus", " " ))]

对于物种名称： //[contains(concat( " ", @class, " " ), concat( " ", "同义词", " " ))]//[contains(concat( " ", @class, " " ), concat( " ", "物种", " " ))]

对于种下等级： //*[contains(concat( " ", @class, " " ), concat( " ", "infraspr", " " ))]

对于种下名称： //*[contains( concat( " ", @class, " " ), concat( " ", "infraspe", " " ))]

对于置信水平（图像）： //[contains(concat( " ", @class, " " ), concat( " ", "synonyms", " " ))]//img 对于来源： //[contains(concat( " ", @class, " " ) , concat( " ", "source", " " ))]//a

我现在想将信息提取到数据框/表中。

我尝试使用 XML 包的 xpathSApply 函数来提取一些数据：

例如对于种下等级

library(XML)
library(RCurl)
infraspeciesrank = htmlParse(getURL("http://www.theplantlist.org/tpl/record/kew-419248"))
path=' //*[contains(concat( " ", @class, " " ), concat( " ", "infraspr", " " ))]'
xpathSApply(infraspeciesrank, path)

但是，由于数据中的间隙，这种方法是有问题的（例如，表中只有某些行具有种下等级，所以我所拥有的一切返回的是表中三个排名的列表，没有间隙）。数据输出也是我在附加到数据框时遇到问题的类。

有谁知道更好的方法将该表中的信息提取到数据框中？

任何帮助将不胜感激！

汤姆

Answer 1

这是另一个解决方案，它将每个物种名称拆分为其组成部分

library(XML)
library(plyr)

# read url into html tree
url = "http://www.theplantlist.org/tpl/record/kew-419248"
doc = htmlTreeParse(url, useInternalNodes = T)

# extract nodes containing desired information
xp_expr = "//table[@class= 'names synonyms']/tbody/tr"
nodes = getNodeSet(doc, xp_expr)

# function to extract desired fields from a given node    
fields = list('genus', 'species', 'infraspe', 'authorship')
read_node = function(node){

    dl = lapply(fields, function(x) xpathSApply(node, 
       paste(".//*[@class = ", "'", x, "'", "]", sep = ""), xmlValue))
    tmp = rep(' ', length(dl))
    tmp[sapply(dl, length) == 1] = unlist(dl)
    confidence = xpathSApply(node, './/img', xmlGetAttr, 'alt')
    return(c(tmp, confidence))
}

# apply function to all nodes and return data frame
df = ldply(nodes, read_node)
names(df) = c(fields, 'confidence')

它会产生以下输出

 genus      species     infraspe                      authorship confidence
1 Critesion     chilense              (Roem. & Schult.) Ã\u0081.Löve          H
2   Hordeum     chilense     chilense                                          L
3   Hordeum  cylindricum                                       Steud.          H
4   Hordeum depauperatum                                       Steud.          H
5   Hordeum     pratense brongniartii                       Macloskie          L
6   Hordeum    secalinum     chilense                   Ã\u0089.Desv.          L

Answer 2

以下代码将您的表解析为矩阵。

注意事项：

• 置信度列为空，因为这不是文本而是图像。如果这很重要，您应该能够检索图像位置并对其进行解析。
• 存在一些编码问题（UTF-8 字符在我的机器上转换为 ASCII）。我还不知道如何解决这个问题。

代码：

library(XML)
library(RCurl)

baseURL <- "http://www.theplantlist.org/tpl/record/kew-419248"
txt <- getURL(url=baseURL)

xmltext <- htmlParse(txt, asText=TRUE)
xmltable <- xpathApply(xmltext, "//table//tbody//tr")
t(sapply(xmltable, function(x)unname(xmlSApply(x, xmlValue))[c(1, 3, 5, 7)]))

结果：

     [,1]                                                [,2]      [,3] [,4]  
[1,] "Critesion chilense (Roem. & Schult.) Ã.Löve" "Synonym" ""   "WCSP"
[2,] "Hordeum chilense var. chilense "                   "Synonym" ""   "TRO" 
[3,] "Hordeum cylindricum Steud. [Illegitimate]"         "Synonym" ""   "WCSP"
[4,] "Hordeum depauperatum Steud."                       "Synonym" ""   "WCSP"
[5,] "Hordeum pratense var. brongniartii Macloskie"      "Synonym" ""   "WCSP"
[6,] "Hordeum secalinum var. chilense Ã.Desv."        "Synonym" ""   "WCSP"