R语言CSS选择器爬取网页：原价与折扣价提取问题求助

问题分析 #

你当前提取折扣价时用的选择器.b-product-tile-price-item会同时匹配到带--line-through类的原价元素，导致数据混乱；另外品牌选择器过于宽泛，容易抓取到无关内容。

修正后的代码 #

library(rvest)
library(dplyr)

# 读取目标页面
url <- "https://www.snipes.ch/fr/c/shoes?srule=Standard&prefn1=isSale&prefv1=true&openCategory=true&sz=48"
html <- read_html(url)

# 定位每个商品的容器
html_products <- html %>% html_elements("div.b-product-tile-info-container")

# 提取商品名称
product_names <- html_products %>% 
  html_element(".b-product-tile-link") %>% 
  html_text2()  # 自动清理换行、多余空格

# 提取商品品牌（用精准类选择器定位品牌元素）
product_brand <- html_products %>% 
  html_element(".b-product-tile-brand") %>% 
  html_text2()

# 提取原价
product_op <- html_products %>% 
  html_element(".b-product-tile-price-item--line-through") %>% 
  html_text2()

# 提取折扣价：排除带划线的原价元素
product_dp <- html_products %>% 
  html_element(".b-product-tile-price-item:not(.b-product-tile-price-item--line-through)") %>% 
  html_text2()

# 生成DataFrame
product_df <- tibble(
  品牌 = product_brand,
  商品名称 = product_names,
  原价 = product_op,
  折扣价 = product_dp
)

print(product_df)

关键修正点 #

• 折扣价选择器：使用:not()伪类排除带划线的原价元素，确保只抓取折扣价。
• 文本清理：用html_text2()替代html_text()，自动处理换行、多余空格，无需额外gsub操作。
• 品牌选择器：改用精准的.b-product-tile-brand类，避免抓取到其他无关的<span>元素。

内容的提问来源于stack exchange，提问作者sikimimi