<dl>タグからHTMLテキストを掻き集める

Question

私は議題を含むウェブサイトからダウンロードした説明リストを持っており、成功していないdata.frameを作成しようとしています。 記述リストは、以下の構造を有する：

<dl> 
<dt> (which contains a <p = "day"> for day) 
<dd> (which contains a <p = "hour"> for hour and a <p = "event"> for the event) 

Iは、次のコードでこのデータを抽出するための管理：

library(rvest) 
url <- read_html("www.mypage.com") 
day <- data.frame(day = html_text(html_nodes(url, '.day'))) 
hour <- data.frame(hour = html_text(html_nodes(url, '.hour'))) 
event <- data.frame(event = html_text(html_nodes(url, '.event'))) 

day$ID <- seq.int(nrow(day)) 
hour$ID <- seq.int(nrow(hour)) 
event$ID <- seq.int(nrow(event)) 

そして私はIDによってそれらを接合することによりデータフレームを作成しました。日ごとに複数のイベントである

<dl> 
<dt> 
<dd> 
<dd> 
<dd> 

：私はこれを持っているとき

問題

です。 同じ <dt>に複数の <dd>が含まれている可能性を考慮して、data.frameを作成するにはどうすればよいですか？ありがとう！

Answer 1

dl/dt/dd「HTMLクリエイターが私たちにこれを行うのはなぜですか」というものです。

library(rvest) 
library(tidyverse) 

pg <- read_html("http://www.presidencia.pt/?idc=11&fano=2016") 

# grab ALL the dt/dd elements under each dl into one big node list 
entries <- html_nodes(pg, xpath=".//dl[@id='ms_agend3']/*") 

# this finds all of the "dt" elements 
starts <- which(xml_name(entries) == "dt") 

# this tells us where ^^ "dd"'s stop 
ends <- c(starts[-1]-1, length(entries)) 

# it took 30s for me, so progress bars make the time pass visually 
pb <- progress_estimated(length(starts)) 

# now we iterate over the start/end pairs 
map2_df(starts, ends, ~{ 

    pb$tick()$print() # tick off the progress bar 

    # we're only going to work on the part of the node list for this dt/dd set 
    start <- .x 
    end <- .y 

    # get the day 
    dt <- html_text(entries[start], trim=TRUE) 

    # now iterate over each associated dd and pull out the info 
    map_df((start+1):end, ~{ 
    data_frame(
     hour = html_text(html_node(entries[.x], "div.hora"), trim=TRUE), 
     text = html_text(html_node(entries[.x], "div.texto"), trim=TRUE), 
    ) 
    }) %>% 
    mutate(day = dt) # add the day in 

}) %>% 
    select(day, hour, text) -> agenda # rearrange and store 

それはそれは、データフレームを作る方法による遅い少しだけど、それは私が前提と情報提供しているか、空白の時間を含む議題の日/時間/テキストを（キャプチャします。このSHLDは何をしたいあなたを得ます終日のイベント）。

この：

pb <- progress_estimated(length(starts)) 
map2_df(starts, ends, ~{ 

    pb$tick()$print() 

    start <- .x 
    end <- .y 

    data_frame(
    hour = html_text(html_nodes(entries[(start+1):end], "div.hora"), trim=TRUE), 
    text = html_text(html_nodes(entries[(start+1):end], "div.texto"), trim=TRUE), 
    day = html_text(entries[start], trim=TRUE) 
) 

}) %>% 
    select(day, hour, text) -> agenda 

は少し速くなると限り、私の目が私に言うのと同じ結果が得られます。