rvest包html_element()如何按font size属性匹配提取HTML元素

测试复现用例 #

首先加载rvest构造测试页面：

library(rvest)
html <- minimal_html('
    <p id="name1"><font size=5>Here is size 5 font </font></p>
    <p id="name2" class="second"><font size=3>And here is size 3 font </font></p>
   ')

# 已验证可用的id、class、标签匹配写法
html %>% html_elements('#name1')
html %>% html_elements('.second') 
html %>% html_elements('font')
# 无效的错误尝试（仅id、class支持#、.简写语法，普通属性不适用）
html %>% html_elements('#5')
html %>% html_elements('.5')

解决方案 #

html_elements()底层原生支持标准CSS选择器语法，除了id、class的简写匹配外，任意普通属性都可以通过[属性名="属性值"]的格式匹配，不需要更换函数，旧版html_nodes()的选择器规则和新版html_elements()完全一致，之前匹配失败是选择器写法错误导致的。

提取所有size=5的<font>元素的正确代码如下：

html %>% html_elements('font[size="5"]')

运行后返回结果符合预期：

{html_nodeset (1)}
[1] <font size="5">Here is size 5 font </font>

扩展属性匹配用法 #

• 若不限定标签，只要页面中带size=5属性的元素都提取，可直接写html_elements('[size="5"]')
• 支持模糊匹配规则：匹配属性值包含指定字符用[属性名*="匹配值"]，匹配属性值以指定内容开头用[属性名^="匹配值"]，匹配属性值以指定内容结尾用[属性名$="匹配值"]
• 该语法对原生HTML属性、自定义属性（比如data-*类属性）都生效。

内容的提问来源于stack exchange，提问作者user24465