R:URL上的读取行导致缺少行

当我在上读取行（）时，会得到缺少的行或值

当您使用上面的URL时，CTR+F会找到38个与“TV-”匹配的文本实例。另一方面，当我运行

readLines（）

和

grep（“TV-”，HTML）

时，我只找到12个

---

那么，如何避免编码/间距错误，以便获得完整的HTML行呢？

您可以使用

rvest

来刮取数据。例如，要获取所有标题，您可以执行以下操作：

library(rvest)

url <- 'https://www.imdb.com/search/title/?locations=Vancouver,%20British%20Columbia,%20Canada&start=1.json'
url %>%
  read_html() %>%
  html_nodes('div.lister-item-content h3 a') %>%
  html_text() ->  all_titles

all_titles

# [1] "The Haunting of Bly Manor"               "The Haunting of Hill House"             
# [3] "Supernatural"                            "Helstrom"                               
# [5] "The 100"                                 "Lucifer"                                
# [7] "Criminal Minds"                          "Fear the Walking Dead"                  
# [9] "A Babysitter's Guide to Monster Hunting" "The Stand"   
#...                 
#...

库（rvest）
url%
读取html（）%>%
html_节点（'div.lister-item-content h3 a'）%>%
html_text（）->所有_标题
所有书名
#[1]“布莱庄园闹鬼”“希尔豪斯闹鬼”
#[3]“超自然”的“赫尔斯特伦”
#[5]“100”路西法
#[7]“犯罪心理”“害怕行尸走肉”
#[9]《猎怪保姆指南》《看台》
#...                 
#...

您想从页面中提取哪些信息。顺便说一句，在你分享的链接中，我找不到任何使用CTR+F的“TV-”实例。@Ronaksah谢谢。我正试图把在加拿大温哥华拍摄的所有电视节目的标题都拿出来。IMDB链接应该有几个“TV-”字符串，如TV-MA、TV-14等。我有部分工作代码可以完成这项工作。首先，我索引“TV-”的位置。然后取上面4行的标题。不幸的是，readLines（）跳过了一些行或将值留空，因为它不知道正在读取什么。谢谢。这可以获得所有标题。我需要再次运行html_nodes（），并附加一个包含“TV-”或CSS选择器中的任何内容的新列。最后，我只是过滤掉不包含“TV-”的行。后续问题：为什么html_节点（“span.certificate”）偶尔会显示与网页上显示的内容不同的内容。例如，网页显示“TV-14”，但html_nodes（）将输出“14+”。这很奇怪。我不知道为什么会这样。您是否使用了

html\u text（）

从中提取文本？是的，我也使用了html\u text（）。向上移动代码，html_nodes（）也有不同的值。与Chrome的“查看页面源代码”中的原始HTML代码交叉引用，它们是不同的。例如，电视剧《超自然》就是TV-14。但是，read_html（）将其视为“PG”。这是编码问题吗？这些是完全不同的电影认证。