我想从网站上读取
HTML文件.具体来说,我想从gutenberg.org阅读HTML格式的书籍.每章的标题用标记“h2”标记,每章的内容在“h2”之后的段落标记“p”中.使用
XML包我可以获取每个标签的值或完整的HTML代码.
以下是使用George Elliot的Middlemarch的示例代码：
library(XML)
doc.html = htmlTreeParse('http://www.gutenberg.org/files/145/145-h/145-h.htm',useInternal = TRUE)
doc.value <- xpathApply(doc.html,'//h2|//p',xmlValue)
doc.html.value <- xpathApply(doc.html,'//h2|//p')
doc.value包含一个列表,其中每个元素都是标记的内容,但我不知道是h2标记还是p标记.另一方面,doc.html.value包含一个包含每个标记的HTML代码的列表.这给了我的信息,无论它是“h2”还是“p”标签,但它还包含许多我不需要的额外代码(如样式信息等).
