在R中使用XML在html中提取数据时提取“样式”信息

我使用下面的脚本尝试从PDF转换的HTML文件中提取数据

temp.html <- scan(file=filename,what="character")
pagetree <- htmlTreeParse(temp.html, error=function(...){}, useInternalNodes = TRUE)
tx.raw <- getNodeSet(pagetree,"//div")

---

我需要的信息在span即971.72中，但我还需要在div中设置样式，以便让我知道span中的数据在pdf文件中的确切位置。如何也提取样式信息？谢谢。

我会用一个简单的regexp：

其中t将相应的HTML部分保存为文本

基于演示HTML部分的冗长示例：

## loading your demo HTML part to one line
t <- paste(readLines(textConnection('<div style="position:absolute;top:985;left:748">
  <nobr>
    <span class="ft03">




971.72
 </span>
  </nobr>
</div>')), collapse = '')

## let us extract some parts!
library(XML)
t.html <- htmlTreeParse(t, useInternalNodes = TRUE)
t.val <- xpathApply(t.html, '//div', xmlValue)
t.val <- gsub('\\s', '', t.val)
t.style <- sub('.*style="([0-9a-z;:]*)".*', '\\1', t)

提取top和left可以类似地处理，我只是没有处理它，因为我不确定left和top是否是静态字符串

sub('.*style="([0-9a-z;:]*)".*', '\\1', t)

## loading your demo HTML part to one line
t <- paste(readLines(textConnection('<div style="position:absolute;top:985;left:748">
  <nobr>
    <span class="ft03">




971.72
 </span>
  </nobr>
</div>')), collapse = '')

## let us extract some parts!
library(XML)
t.html <- htmlTreeParse(t, useInternalNodes = TRUE)
t.val <- xpathApply(t.html, '//div', xmlValue)
t.val <- gsub('\\s', '', t.val)
t.style <- sub('.*style="([0-9a-z;:]*)".*', '\\1', t)

> t.val
[1] "971.72"
> t.style
[1] "position:absolute;top:985;left:748"