说明
我正在抓取网页以检索相关数据。作为示例,我将使用此 URL:
例
https://isbnsearch.org/search?s=THE+GODFATHER+%2C+Mario+Puzo
我的第一次迭代基本上是搜索"教父,马里奥·普佐",结果显示在发布的 URL 中。
问题
我正在尝试使用read_html()
但我不知道在html_nodes()
函数中包含什么来检索任何有意义的数据。我尝试使用"表"或类似的东西,但没有奏效:返回一个空列表。
最终目标是获得搜索第一个结果的 ISBN-13 或 ISBN-10。 我可以处理这个,我只需要访问数据。
我假设*解决方案看起来像这样:
url <- 'https://isbnsearch.org/search?s=THE+GODFATHER+%2C+Mario+Puzo'
data<-read_html(url) %>% html_nodes("something") %>% #maybe another function
但我不知道,希望有人能帮忙。
提前谢谢。
如果您在 Chrome 中右键单击 ISBN 并选择"检查",您将看到每个搜索结果都是具有以下结构的列表项(为清楚起见,省略了一些元素(:
<ul id="searchresults">
<li>
<div class="bookinfo">
<h2><a href="/isbn/9780451205766">The Godfather: 50th Anniversary Edition</a></h2>
<p>Author: Mario Puzo</p>
<p>ISBN-13: 9780451205766</p>
<p>ISBN-10: 0451205766</p>
<p class="clear"></p>
</div>
</li>
因此,所需元素的CSS选择器是div.bookinfo p
。
您可以使用以下方法检索这些段落的文本:
p <- read_html("https://isbnsearch.org/search?s=THE+GODFATHER+%2C+Mario+Puzo")
p %>%
html_nodes("div.bookinfo p") %>%
html_text()
然后编写一些逻辑以仅访问感兴趣的 ISBN。例如,要使用grep
返回所有 ISBN
p %>%
html_nodes("div.bookinfo p") %>%
html_text() %>%
grep("ISBN*", ., value = TRUE)
[1] "ISBN-13: 9780451205766" "ISBN-10: 0451205766" "ISBN-13: 9780345441706"
"ISBN-10: 0345441702" "ISBN-13: 9780345432407"
[6] "ISBN-10: 0345432401" "ISBN-13: 9780345412218" "ISBN-10: 0345412214"
"ISBN-13: 9780345476722" "ISBN-10: 0345476727"
[11] "ISBN-13: 9781936530335" "ISBN-10: 1936530333"