Existe-t-il un moyen simple dans R pour extraire seulement les éléments de texte d'une page HTML?

j'ai dû le faire moi-même une fois.

une façon de le faire est d'utiliser les expressions XPath. Vous aurez besoin de ces paquets installés depuis le dépôt à http://www.omegahat.org /

library(RCurl)
library(RTidyHTML)
library(XML)

nous utilisons RCurl pour nous connecter au site d'intérêt. Il a beaucoup d'options qui vous permettent d'accéder à des sites Web que les fonctions par défaut dans la base R aurait des difficultés avec je pense qu'il est juste de dire. Il est une interface R de la bibliothèque libcurl.

nous utilisons RTidyHTML pour nettoyer les pages HTML malformées afin qu'elles soient plus faciles à analyser. Il s'agit d'une interface en R de la bibliothèque libtidy.

nous utilisons XML pour analyser le code HTML avec nos expressions XPath. Il s'agit d'une interface R vers la bibliothèque libxml2.

de toute façon, voici ce que vous faites (code minimal, mais des options sont disponibles, voir les pages d'aide des fonctions correspondantes):

u <- "http://stackoverflow.com/questions/tagged?tagnames=r" 
doc.raw <- getURL(u)
doc <- tidyHTML(doc.raw)
html <- htmlTreeParse(doc, useInternal = TRUE)
txt <- xpathApply(html, "//body//text()[not(ancestor::script)][not(ancestor::style)][not(ancestor::noscript)]", xmlValue)
cat(unlist(txt))

il peut y avoir quelques problèmes avec cette approche, mais je ne me souviens pas de ce qu'ils sont au-dessus de ma tête (Je ne pense pas que mon expression xpath fonctionne avec toutes les pages web, parfois il peut ne pas filtrer le code de script ou il peut tout simplement ne pas fonctionner avec d'autres pages du tout, le meilleur pour expérimenter!)

P. S. une Autre façon, qui fonctionne presque parfaitement, je pense au web grattage tout le texte de html est le suivant (en gros Internet Explorer pour le faire la conversion pour vous):

library(RDCOMClient) 
u <- "http://stackoverflow.com/questions/tagged?tagnames=r"
ie <- COMCreate("InternetExplorer.Application") 
ie$Navigate(u)
txt <- list()
txt[[u]] <- ie[["document"]][["body"]][["innerText"]] 
ie$Quit() 
print(txt) 

cependant, je n'ai jamais aimé faire cela parce que non seulement il est lent, mais si vous le vectoriser et appliquer un vecteur D'URLs, si internet explorer plante sur une mauvaise page, alors R pourrait pendre ou se planter lui-même (Je ne pense pas ?essayez aide beaucoup dans ce cas). Aussi, il est enclin à permettre les pop-ups. Je ne sais pas, ça fait longtemps que je n'ai pas fait ça, mais j'ai pensé que je devrais le souligner.