R語言爬蟲：CSS方法與XPath方法對比（代碼實現）

CSS選擇器和XPath方法都是用來定位DOM樹的標簽，只不過兩者的定位表示形式上存在一些差別：

• CSS 方法提取節點

library("rvest")
single_table_page <- read_html("single-table.html")
# 提取url里的所有表格
html_table(single_table_page)
html_table(html_node(single_table_page,"table"))
products_page <- read_html("./case/products.html")
products_page %>% html_nodes(".product-list li .name") %>% html_text() 
product_items <- products_page %>% html_nodes(".product-list li")
data.frame(name = product_items %>% html_nodes(".name") %>% html_text(), 
           price = product_items %>% html_nodes(".price") %>%html_text() 
           %>% str_replace_all(pattern="\\$",replacement="") %>% 
               as.numeric(), stringsAsFactors = FALSE)

• XPath 方法提取節點

page <- read_html("./case/new-products.html")
#查找所有p節點
page %>% html_nodes(xpath="//p")
#CSS's way
page %>% html_nodes("p")
# 找到所有具有class屬性的li標簽
# xpath's way
page %>% html_nodes(xpath="//li[@class]")
# CSS's way
page %>% html_nodes("li[class]")
# 找到id=‘list’的div標簽下的所有li標簽
# xparth's way
page %>% html_nodes(xpath="//div[@id='list']/ul/li")
# CSS's way
page %>% html_nodes("div#list > ul > li")
# 查找包含p節點的所有div節點
page %>% html_nodes(xpath="//div[p]")
# 查找所有class值為“info-value”，文本內容為“Good”的span節點
page %>% html_nodes(xpath = "//span[@class='info-value' and text()='Good']")