rvest html_table

Question

我试图使用html_table和rvest包提取一个表

library(rvest)
test <- html("http://www.privacyrights.org/data-breach/new?title=")
test %>% html_table(html_nodes("table.data-breach-table")[[1]])

但是，我一直有个错误

UseMethod中的错误(“html_nodes”)：没有适用于类“字符”对象的“html_nodes”方法

Answer 1

如果你无论如何都要嵌套括号内的电话，那为什么还要管管道呢？

html_table(html_nodes(test, "table.data-breach-table")[[1]])

否则，使用完整的管道并使用magrittr：

library(magrittr)

test %>% 
  html_nodes("table.data-breach-table") %>% 
  extract2(1) %>%
  html_table()

注意：

• 您所使用的URL无论如何都没有您想要的表
• 您应该使用最新的rvest和read_html。

至于为什么它不能工作，您不正确地传递test，而html_nodes在table…字符串上操作，而不是它所期望的解析的table…文档。

既然你在试图破坏，这可能会有帮助：

library(rvest)
library(dplyr)
library(pbapply)

urls <- sprintf("http://www.privacyrights.org/data-breach?title=&page=%d", 1:94)

pblapply(urls, function(URL) {

  pg <- read_html(URL)

  tab <- html_nodes(pg, "table")[3]
  rows <- html_nodes(tab, "tr:not(.data-breach-bottom)")

  bind_rows(lapply(seq(2, length(rows)-2, by=2), function(i) {

    tds_1 <- html_nodes(rows[i], "td")
    tds_2 <- html_text(html_nodes(rows[i+1], "td"), trim=TRUE)

    data_frame(date_public=html_text(tds_1[1], TRUE),
               name_loc=html_text(tds_1[2], TRUE),
               entity=html_text(tds_1[3], TRUE),
               type=html_text(tds_1[4], TRUE),
               recs=html_text(tds_1[5], TRUE),
               descr=tds_2[1])

  }))

}) -> things

它来自我的一个老吉斯特。如果你计划清除所有的违规行为，你将需要在此基础上增加随机睡眠延迟。

还请注意，它是扭曲的数据，并非常清楚它的局限性，因为你试图使用它(我做数据破坏研究谋生)。