Html 如何使用相对于标题的rvest刮取wikipedia中的有序和无序列表

我想从Wikipdia中收集几个国家的事件，并将每个事件放在一行表中。某个数据可以有一个事件（其中有一个主项目符号）或多个事件（其中有“子项目符号”）

我遇到的问题是如何同时获取有序列表和无序列表，并将它们清晰地分开。下面的代码将抓住“子项目符号”，但不是“主要”项目符号。如果我更改代码以排除

/li

，那么它将把“子项目符号”放在单个单元格中我想知道是否有办法更容易地将“主要”和“次要要点”分开。

对于包含不同国家/地区事件的页面，html布局似乎略有不同。是否可以基于标头（而不是相对或绝对位置）指定xml路径，然后获取之后的元素？不幸的是，由于对html如此陌生，我不太确定如何做到这一点，或者这是否可能是否可以找到标题“每月事件”，找到标题“一月”，然后在表格的单独单元格中获取所有项目符号和子项目符号？

任何帮助都将不胜感激

谢谢

# This gets the sub bullet points of the events, but not the main ones 
page <- xml2::read_html("https://en.wikipedia.org/wiki/2020_in_the_United_States")
month_data = page %>%
        html_nodes(xpath = "/html/body/div[3]/div[3]/div[5]/div[1]/ul[3]/li") %>% 
        html_text()

#这将获得事件的次要点，但不是主要要点
页数%
html_节点（xpath=“/html/body/div[3]/div[3]/div[5]/div[1]/ul[3]/li”）%>%
html_text（）

此网页没有结构，它只是一个长长的标签列表，没有清楚地将不同的部分分开

这是部分解决方案：

library(rvest)
library(xml2)
library(dplyr)

page <- xml2::read_html("https://en.wikipedia.org/wiki/2020_in_the_United_States")
lineitems <- page %>% html_nodes(xpath = "//html/body/div[3]/div[3]/div[5]/div[1]/ul[3]/li")

#Count the number of child ul nodes
subcount <- lineitems %>% html_node("ul") %>% xml_length()

output <- lapply(1:length(subcount), function(i) {
   if(subcount[i] == 0 ){
      out <- lineitems[i]   %>%  html_text()
   }
   else {
      out <-  lineitems[i] %>% html_node("ul") %>% 
                               html_nodes(xpath=".//li") %>% html_text()
   }
   out
})
#name the list items with the data
names(output) <- lineitems %>% html_node("a") %>% 
                            html_attr("title")
#a list for each date
output

库（rvest）
库（xml2）
图书馆（dplyr）
页面%xml_长度（）
产量%
html_节点（xpath=“../li”）%%>%html_文本（）
}
出来
})
#用数据命名列表项
名称（输出）%html\U节点（“a”）%%>%
html_属性（“标题”）
#每个日期的清单
输出

---

我没有时间和耐心来改进这个。根据可用属性而不是特定的html/xml标记选择节点可能会更容易。

谢谢！没想到会这么难。你的部分解决方案非常有用。