如何在R中抓取iframe内信息？以CPS学校页面为例

1. 精准定位iframe元素 #

原页面中的iframe带有唯一ID schoolProfileIframe，用ID选择器替代通用的iframe选择器，能避免误选其他可能存在的iframe：

iframe <- page %>% html_element("#schoolProfileIframe")

2. 正确定位目标文本节点 #

iframe页面的Supportive School认证信息嵌套在特定DOM结构里，需要用更精准的选择器定位。以下两种方案均可：

方案一：CSS选择器

# 获取包含Established的完整文本
established_info <- iframe_page %>% 
  html_element("div.certification:has(h4:contains('Supportive School')) p:contains('Established')") %>% 
  html_text()

# 仅提取年份数字（可选）
library(stringr)
established_year <- str_extract(established_info, "\\d+")

方案二：XPath选择器（兼容性更强）

# 用XPath精准匹配目标节点
established_info <- iframe_page %>% 
  html_element(xpath = "//div[contains(@class, 'certification') and .//h4[text()='Supportive School']]//p[contains(text(), 'Established')]") %>% 
  html_text()

# 仅提取年份数字（可选）
library(stringr)
established_year <- str_extract(established_info, "\\d+")

3. 验证页面加载状态 #

如果仍无法获取内容，先打印iframe页面的文本，确认页面是否被正确解析：

cat(html_text(iframe_page))

若输出为空或不包含目标内容，说明网站可能存在动态加载或反爬机制，此时需改用RSelenium等工具模拟浏览器加载页面。

内容的提问来源于stack exchange，提问作者dkro23