如何使用R语言结合rvest库从指定HTML页面提取Zip格式URL

嘿，我看到你在使用rvest提取S3页面里的Zip链接时遇到了错误，这是因为你用错了函数——html_attrs()是用来获取元素的全部属性的，它不需要传入属性名参数，所以你传"href"就会触发那个"unused argument"错误。

下面是正确的实现步骤和代码，帮你顺利提取所有目标Zip链接：

正确代码示例 #

# 加载所需库
library(rvest)

# 目标页面链接
base_link <- "https://divvy-tripdata.s3.amazonaws.com/index.html"

# 读取页面内容
page_html <- read_html(base_link)

# 1. 选中所有<a>标签元素
# 2. 提取每个<a>标签的href属性
# 3. 过滤出以.zip结尾的链接
zip_links <- page_html %>%
  html_elements("a") %>%
  html_attr("href") %>%
  grep("\\.zip$", ., value = TRUE)

# 如果页面里的href是相对路径，拼接成完整可访问的URL
full_zip_links <- paste0("https://divvy-tripdata.s3.amazonaws.com/", zip_links)

# 查看结果
print(full_zip_links)

代码解释 #

• html_elements("a")：定位页面中所有的标签，这是提取链接的第一步
• html_attr("href")：从每个选中的标签里，单独提取href属性的值（这才是获取特定属性的正确函数）
• grep("\\.zip$", ., value = TRUE)：用正则表达式筛选出以.zip结尾的链接，value = TRUE确保返回匹配的内容而不是索引
• 最后一步的拼接是因为S3索引页面里的标签href通常是相对路径（比如202403-divvy-tripdata.zip），拼接后才能得到直接可下载的完整URL