我正在尝试解析FTP站点的索引页，以便获得基于<a href = "">标记内容的文件列表。我很难理解为什么当我试图以不同的方式下载ftp文件夹的索引时，结果会有不同的格式(结果有不同的DOCTYPE规范(。考虑以下内容：
tf = tempfile()
download.file("ftp://ftp.dfg.ca.gov/IEP_Zooplankton/", tf)
file.show(tf)
结果：
<!DOCTYPE HTML PUBLIC "-//IETF//DTD HTML//EN">
<HTML>
<HEAD>
<TITLE>FTP directory /IEP_Zooplankton/ at ftp.dfg.ca.gov</TITLE>
</HEAD>
<BODY>
<H2 ID="WinINetFtpDirectory">FTP directory /IEP_Zooplankton/ at ftp.dfg.ca.gov</H2>
<HR>
<A HREF="..">Up to higher level directory</A><BR><PRE>
09/06/2019 01:26PM Directory <A HREF="/IEP_Zooplankton/./"><B>.</B></A>
09/06/2019 01:26PM Directory <A HREF="/IEP_Zooplankton/../"><B>..</B></A>
07/09/2019 12:00AM 11,393,654 <A HREF="/IEP_Zooplankton/1972-2018CBMatrix.xlsx">1972-2018CBMatrix.xlsx</A>
05/09/2019 12:00AM 3,174,362 <A HREF="/IEP_Zooplankton/1972-2018MysidMatrix.xlsx">1972-2018MysidMatrix.xlsx</A>
05/09/2019 12:00AM 6,058,037 <A HREF="/IEP_Zooplankton/1972-2018Pump%20Matrix.xlsx">1972-2018Pump Matrix.xlsx</A>
05/09/2019 12:00AM 16,238 <A HREF="/IEP_Zooplankton/ReadMeZooplanktonStudyMatricesMay2019.docx">ReadMeZooplanktonStudyMatricesMay2019.docx</A>
09/06/2019 01:26PM 1,737,932 <A HREF="/IEP_Zooplankton/ZooplanktonMetadataSept2019.pdf">ZooplanktonMetadataSept2019.pdf</A>
05/01/2008 12:00AM 202,752 <A HREF="/IEP_Zooplankton/ZP%20Monitoring%20Station%20Map%20Historic.ppt">ZP Monitoring Station Map Historic.ppt</A>
10/31/2017 12:00AM 199,023 <A HREF="/IEP_Zooplankton/ZPCoreAndCurrentStationsAug2017.pdf">ZPCoreAndCurrentStationsAug2017.pdf</A>
</PRE>
<HR>
</BODY>
</HTML>
然而，如果我尝试用xml2::read_html()(或curl::curl_fetch_memory()(执行等效操作，我会得到一个完全不同的格式：
xml = xml2::read_html("ftp://ftp.dfg.ca.gov/IEP_Zooplankton/")
结果(您可以通过执行as.character(xml)将整页内容打印到控制台(：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><p>drwxrwxrwx 1 user group 0 Sep 6 13:26 .
drwxrwxrwx 1 user group 0 Sep 6 13:26 ..
-rw-rw-rw- 1 user group 11393654 Jul 9 2019 1972-2018CBMatrix.xlsx
-rw-rw-rw- 1 user group 3174362 May 9 2019 1972-2018MysidMatrix.xlsx
-rw-rw-rw- 1 user group 6058037 May 9 2019 1972-2018Pump Matrix.xlsx
-rw-rw-rw- 1 user group 16238 May 9 2019 ReadMeZooplanktonStudyMatricesMay2019.docx
-rw-rw-rw- 1 user group 1737932 Sep 6 13:26 ZooplanktonMetadataSept2019.pdf
-rw-rw-rw- 1 user group 202752 May 1 2008 ZP Monitoring Station Map Historic.ppt
-rw-rw-rw- 1 user group 199023 Oct 31 2017 ZPCoreAndCurrentStationsAug2017.pdf
</p></body></html>
第一个结果(通过download.file()(可以使用xml2::xml_find_*()函数解析，但后者不是。为什么同一个文件的格式不同？我如何确保获得前一种格式(即带有<a>标签的格式(？
我发现你的ftp链接超时了，所以我不能给你一个可复制的例子，但我认为如果你这样做：
xml <- xml2::read_html("ftp://ftp.dfg.ca.gov/IEP_Zooplankton/")
link_nodes <- xml2::xml_find_all(xml, xpath = "//a")
xml2::xml_attr(link_nodes, "href")
你应该得到一个你需要的页面上所有链接的矢量。
虽然它没有解释为什么使用CCD_ 8与使用CCD_，我确实找到了这个要点，它提供了一个使用curl来完成原始任务的替代解决方案：获取FTP目录中的文件列表。
library(curl)
con = curl(url = url, "r", handle = new_handle(dirlistonly = TRUE))
files = readLines(con)
close(con)
print(files)
[1]"1972-2018CBMatrix.xlsx">
[2]"1972-2018 MysidMatrix.xlxx">
[3]"1972-202018 Pump Matrix.xlmx">
[4]"ReadMeZooplattonStudyMatricesMay2019.docx"[5] "ZooplattonMetadataSept2019.pdf">
[6]"ZP监测站历史地图.ppt">
[7]"ZPCoreAndCurrentStationsAug2017.pdf">