R 从HTML解析文档中提取信息

我不熟悉HTML和XML处理，对提取已解析HTML文档的某些部分有疑问。以下文档

doc

，是使用包

XML

中的

htmlTreeParse

生成的，可以使用以下代码进行复制

当访问

href=“…”

时，每行末尾的四位数字会发生什么变化？我需要提取这些数字，但它们似乎消失了

library(XML)
doc <- htmlTreeParse("http://www.retrosheet.org/gamelogs/index",
                     useInternalNodes = TRUE)
doc["//a/@href"][100:101]
# [[1]]
#                                            href 
# "http://www.retrosheet.org/gamelogs/gl1924.zip" 
# attr(,"class")
# [1] "XMLAttributeValue"
# 
# [[2]]
#                                            href 
# "http://www.retrosheet.org/gamelogs/gl1925.zip" 
# attr(,"class")
# [1] "XMLAttributeValue"

下面是html文档的一个概览

...
  <br/>
    </b>
    <pre>
    <a href="http://www.retrosheet.org/gamelogs/gl1871.zip">1871</a>
    <a href="http://www.retrosheet.org/gamelogs/gl1872.zip">1872</a>
    ...                                                     ....
    ...                                                     ....
    <a href="http://www.retrosheet.org/gamelogs/gl2012.zip">2012</a>
    <a href="http://www.retrosheet.org/gamelogs/gl2013.zip">2013</a>
    </pre>
    <a href="http://www.retrosheet.org/gamelogs/glws.zip">World Series</a>
    <br/>
    <a href="http://www.retrosheet.org/gamelogs/glas.zip">All-Star</a>
    <br/>

。。。


...                                                     ....
...                                                     ....

如果希望使用值而不是href属性，请尝试以下操作之一：

---

如果您想要值而不是href属性，请尝试

doc[“//a/text（）”][100:101]

或

sappy（doc[“//a”][100:101]，xmlValue，trim=TRUE）

。谢谢。很高兴我没有去

grep

。你会提交答案吗？

...
  <br/>
    </b>
    <pre>
    <a href="http://www.retrosheet.org/gamelogs/gl1871.zip">1871</a>
    <a href="http://www.retrosheet.org/gamelogs/gl1872.zip">1872</a>
    ...                                                     ....
    ...                                                     ....
    <a href="http://www.retrosheet.org/gamelogs/gl2012.zip">2012</a>
    <a href="http://www.retrosheet.org/gamelogs/gl2013.zip">2013</a>
    </pre>
    <a href="http://www.retrosheet.org/gamelogs/glws.zip">World Series</a>
    <br/>
    <a href="http://www.retrosheet.org/gamelogs/glas.zip">All-Star</a>
    <br/>

doc["//a/text()"][100:101] 
sapply(doc["//a"][100:101], xmlValue) 
sapply(doc["//a"][100:101], xmlValue, trim = TRUE)