如何使用R从xml页面提取信息

我正在尝试从该页面获取所有信息：

首先，我将文件下载到

file

中，然后使用

xmlParse（file）

对其进行解析

这给了我一个带有一些信息的

data.frame

。但是我丢失了诸如

id

（这是最重要的）之类的信息

我想获得一个

data.frame

，其中一行（每个事务只有一行）包含一个事务的所有信息，例如

id``更新的

附加索引``affairType

等

这样，它就可以工作了（例如

id

）：

---

infofile它是一个HTML文件，而不是XML文件。您需要使用
htmlpasse
：

destfile <- tempfile() # make this example copy-pasteable
download.file(url = "http://ws.parlament.ch/affairs/19110758/?format=xml", destfile = destfile)
file <- htmlParse(destfile)
title <- xpathSApply(file, '//h2')
xmlValue(title[[1]])
# [1] "Heilmittelwesen. Gesetzgebung"

destfile这将使您获得XML：

library(XML)
library(RCurl)
library(httr)

srcXML <- getURL("http://ws.parlament.ch/affairs/19110758/?format=xml", 
            .opts=c(user_agent("Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)"),
              verbose()))

myXMLFile <- xmlTreeParse(substr(srcXML,4,nchar(srcXML)))

库（XML）
图书馆（RCurl）
图书馆（httr）
srcXML，但是如果我对文档进行HTMLPasse，大部分信息都会丢失。请看：我需要提取大部分信息。。。因此，我需要XML解析文档。还是我弄错了？你是对的，似乎使用R的
download.file
函数强迫服务器向你发送HTML而不是XML，可能是由于HTTP头的原因。尝试手动下载该文件并使用
xmlParse
。我无法手动下载30000个文档：-）我提取的错误是什么<代码>测试否，请查看
读取行（destfile）
，它显然是一个HTML文件。问题在于请求。尝试使用，我相信他们的服务器不会为您提供XML，除非您足够好地模拟浏览器（我不确定确切的标题）。。。使用chrome我可以看到xml文件，而使用firefox，这在某种程度上是不可能的。我会深入讨论这个问题，但正如你可能已经注意到的，我是一个新手，所以如果有人知道我如何强迫R正确下载这个，我将不胜感激。谢谢。这在我的屏幕上起作用。但是我如何下载文件来保持所有信息html都是松散的？
writeLines（substr（srcXML，4，nchar（srcXML）），“filenametowriteto.xml”）
应该可以很好地工作。我现在完成了任务的第一部分（显然我很难掌握）。现在，数据提取仍然不起作用：
id您能详细说明（在上面的原始q中）您想要提取什么信息吗？对于我或其他人来说，提供一种从XML文档中获取所需内容的更为优化的方法可能并不困难。
library(plyr)

test <-ldply(xmlToList(file), function(x) { data.frame(x[!names(x)=="id"]) } )

infofile <- xmlRoot(file)

nodes <-  getNodeSet(file, "//affair/id")
id <-as.numeric(lapply(nodes, function(x) xmlSApply(x, xmlValue)))

destfile <- tempfile() # make this example copy-pasteable
download.file(url = "http://ws.parlament.ch/affairs/19110758/?format=xml", destfile = destfile)
file <- htmlParse(destfile)
title <- xpathSApply(file, '//h2')
xmlValue(title[[1]])
# [1] "Heilmittelwesen. Gesetzgebung"

library(XML)
library(RCurl)
library(httr)

srcXML <- getURL("http://ws.parlament.ch/affairs/19110758/?format=xml", 
            .opts=c(user_agent("Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)"),
              verbose()))

myXMLFile <- xmlTreeParse(substr(srcXML,4,nchar(srcXML)))