Limitele funcției html_table() în cazul tabelelor structurate deficitar
Uneori vrei să selectezi doar textul care este un descendent direct al unui element părinte. În exemplul de mai jos, însă, numele rolului este încadrat într-un tag em. Funcția acestuia, de exemplu „Voice", se află în același element td ca și partea em, ceea ce nu este ideal pentru interogarea datelor.
Iată un fragment din codul HTML:
<table>
<tr>
<th>Actor</th>
<th>Role</th>
</tr>
<tr>
<td class = "actor">Jayden Carpenter</td>
<td class = "role"><em>Mickey Mouse</em> (Voice)</td>
</tr>
...
</table>
În acest exercițiu, vei încerca să extragi tabela folosind o funcție rvest deja cunoscută. Astfel, vei putea observa limitele acesteia.
Variabila roles_html conține documentul cu tabela.
Acest exercițiu face parte din cursul
Web Scraping în R
Instrucțiuni pentru exercițiu
- Încearcă să extragi un data frame din tabelă folosind o funcție învățată în primul capitol.
- Aruncă o privire asupra data frame-ului rezultat.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Extract the data frame from the table using a known function from rvest
roles <- roles_html %>%
html_element(xpath = "//___") %>%
___()
# Print the contents of the role data frame
___