0Pricing
R Academy · Lektion

Grundlagen von html_element() und html_text()

Extrahieren Sie Text, Attribute und Tabellendaten aus gescrapten Seiten.

Grundlagen von html_element() und html_text() ist eine kostenlose R Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des R Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der R Academy-Kurs umfasst insgesamt 4 Lektionen.

read_html(): Eine Seite laden

read_html() ist der Einstiegspunkt für rvest. Übergeben Sie eine URL oder einen HTML-String. Die Funktion gibt ein xml_document-Objekt zurück, das den geparsten DOM-Baum repräsentiert und für Abfragen bereitsteht.

library(rvest)

# From a URL (requires internet connection)
# page <- read_html('https://books.toscrape.com')

# From a raw HTML string (great for testing)
page <- read_html('
  <html><body>
    <h1>Book Store</h1>
    <p class="desc">Over 1000 books!</p>
  </body></html>
')
class(page)  # 'xml_document' 'xml_node'

html_element() und html_elements()

html_element() gibt den ersten passenden Knoten zurück (oder NA, wenn keiner gefunden wird). html_elements() gibt alle passenden Knoten als Liste zurück. Verwenden Sie die Singularform, wenn Sie genau ein Ergebnis erwarten, und die Pluralform, wenn Sie Listen auslesen.

library(rvest)
page <- read_html('
  <ul>
    <li class="item">Apple</li>
    <li class="item">Banana</li>
    <li class="item">Cherry</li>
  </ul>
')
# Singular: gets first match
first_item <- html_element(page, '.item')
html_text2(first_item)  # 'Apple'

# Plural: gets all matches
all_items <- html_elements(page, '.item')
html_text2(all_items)  # c('Apple', 'Banana', 'Cherry')
length(all_items)  # 3

html_text2() für sauberen Text

html_text2() extrahiert den Textinhalt von Knoten, entfernt HTML-Tags und führt Leerraum auf saubere Weise zusammen. Die Funktion behandelt <br> als Zeilenumbruch. Das ältere html_text() geht weniger intelligent mit Leerraum um.

library(rvest)
page <- read_html('
  <div class="product">
    <h2>  Laptop  </h2>
    <p>Price: <strong>$999</strong></p>
    <p>  Free   shipping  </p>
  </div>
')
# html_text2 trims whitespace intelligently
title <- html_element(page, 'h2')
html_text2(title)  # 'Laptop' (no extra spaces)

# From the whole div - collapses nested text
div <- html_element(page, '.product')
html_text2(div)  # 'Laptop\nPrice: $999\nFree shipping'

html_attr(): Attribute extrahieren

html_attr(node, 'attr_name') extrahiert den Wert eines HTML-Attributs. Das ist unverzichtbar, um href aus Links, src aus Bildern, data-*-Attribute und vieles mehr auszulesen.

library(rvest)
page <- read_html('
  <div>
    <a href="https://example.com" title="Example site">Visit</a>
    <img src="/images/photo.jpg" alt="A photo">
    <div data-price="29.99">Product</div>
  </div>
')
# Extract href from link
link <- html_element(page, 'a')
html_attr(link, 'href')  # 'https://example.com'
html_attr(link, 'title')  # 'Example site'

# Extract src from image
img <- html_element(page, 'img')
html_attr(img, 'src')  # '/images/photo.jpg'

# Extract data attributes
div <- html_element(page, 'div[data-price]')
html_attr(div, 'data-price')  # '29.99'

html_attrs(): Alle Attribute

html_attrs(node) gibt einen benannten Character-Vektor mit ALLEN Attributen eines Knotens zurück. Das ist nützlich, wenn Sie die Attributnamen im Voraus nicht kennen oder untersuchen möchten, welche Attribute für ein Element verfügbar sind.

library(rvest)
page <- read_html('
  <a href="/page" class="nav-link" id="home" data-section="main">Home</a>
')
link <- html_element(page, 'a')

# Get all attributes at once
attrs <- html_attrs(link)
attrs
# href        class        id           data-section
# '/page'     'nav-link'   'home'       'main'

# Access by name
attrs['href']   # '/page'
attrs['class']  # 'nav-link'
names(attrs)    # all attribute names

html_children(): Kindelemente

html_children(node) gibt die unmittelbaren Kindelemente eines Elements zurück. In Kombination mit html_name(), um Tag-Namen zu ermitteln, ist dies nützlich, um die Seitenstruktur programmgesteuert zu verstehen.

library(rvest)
page <- read_html('
  <nav>
    <a href="/">Home</a>
    <a href="/about">About</a>
    <span>|</span>
    <a href="/contact">Contact</a>
  </nav>
')
nav <- html_element(page, 'nav')

# Get all direct children
kids <- html_children(nav)
length(kids)  # 4

# Get tag names of children
html_name(kids)  # c('a', 'a', 'span', 'a')

# Filter to only anchor children
links <- kids[html_name(kids) == 'a']
html_text2(links)  # c('Home', 'About', 'Contact')

html_name(): Tag-Namen

html_name(node) gibt den Tag-Namen eines Knotens als Kleinbuchstaben-String zurück (z. B. 'div', 'p', 'a'). Das ist nützlich, um Knotenlisten nach dem Elementtyp zu filtern, nachdem sie abgerufen wurden.

library(rvest)
page <- read_html('
  <article>
    <h2>Title</h2>
    <p>First paragraph.</p>
    <img src="img.jpg">
    <p>Second paragraph.</p>
  </article>
')
article <- html_element(page, 'article')
all_children <- html_children(article)

# Check tag name of each child
html_name(all_children)
# c('h2', 'p', 'img', 'p')

# Get only paragraph children
paras <- all_children[html_name(all_children) == 'p']
html_text2(paras)
# c('First paragraph.', 'Second paragraph.')

Auswahlen verketten

Sie können einen Knoten (nicht nur das Dokument) als erstes Argument an html_element() übergeben. Dadurch wird die Suche auf diesen Knoten beschränkt – entscheidend beim Auslesen wiederholter Strukturen wie Produktkarten oder Tabellenzeilen.

library(rvest)
page <- read_html('
  <div class="card">
    <h3>Laptop</h3>
    <span class="price">$999</span>
  </div>
  <div class="card">
    <h3>Phone</h3>
    <span class="price">$499</span>
  </div>
')
# Get all cards, then extract fields from each
cards <- html_elements(page, '.card')

names_list <- html_text2(html_elements(page, '.card h3'))
prices_list <- html_text2(html_elements(page, '.card .price'))

data.frame(name = names_list, price = prices_list)

html_attr für einen NodeSet

Wird html_attr() auf einem nodeset (dem Ergebnis von html_elements()) aufgerufen, gibt die Funktion einen Vektor mit Attributwerten zurück – einen pro Knoten. Fehlende Attribute ergeben NA.

library(rvest)
page <- read_html('
  <ul>
    <li><a href="/page1">Page 1</a></li>
    <li><a href="/page2">Page 2</a></li>
    <li><span>No link</span></li>
    <li><a href="/page3">Page 3</a></li>
  </ul>
')
# Get all a elements
links <- html_elements(page, 'a')

# html_attr on a nodeset returns a vector
hrefs <- html_attr(links, 'href')
hrefs  # c('/page1', '/page2', '/page3')

# Link text alongside hrefs
texts <- html_text2(links)
data.frame(text = texts, href = hrefs)

Fehlende Elemente behandeln

html_element() gibt einen NA-Knoten (nicht NULL) zurück, wenn keine Übereinstimmung gefunden wird. html_text2() für einen NA-Knoten gibt NA_character_ zurück. Prüfen Sie Ihre Ergebnisse immer auf NA, wenn Elemente optional sein können.

library(rvest)
page <- read_html('
  <div class="product">
    <h3>Widget</h3>
    <!-- No price tag here -->
  </div>
')
# Element exists
title <- html_element(page, 'h3')
html_text2(title)  # 'Widget'

# Element does NOT exist -> NA node
price <- html_element(page, '.price')
html_text2(price)  # NA
is.na(html_text2(price))  # TRUE

# Safe extraction with default
price_text <- html_text2(price)
if (is.na(price_text)) price_text <- 'N/A'
price_text  # 'N/A'

Alles zusammenführen

Kombinieren Sie html_elements(), html_text2() und html_attr(), um strukturierte Daten in einen Data Frame auszulesen – das ist typischerweise das eigentliche Ziel des Web-Scrapings mit rvest.

library(rvest)
page <- read_html('
  <div class="book">
    <a href="/book/1" class="title">R Programming</a>
    <span class="author">Hadley Wickham</span>
    <span class="rating" data-stars="5">*****</span>
  </div>
  <div class="book">
    <a href="/book/2" class="title">Advanced R</a>
    <span class="author">Hadley Wickham</span>
    <span class="rating" data-stars="5">*****</span>
  </div>
')
titles  <- html_text2(html_elements(page, '.title'))
authors <- html_text2(html_elements(page, '.author'))
links   <- html_attr(html_elements(page, 'a.title'), 'href')
ratings <- html_attr(html_elements(page, '.rating'), 'data-stars')
data.frame(title=titles, author=authors, link=links, stars=ratings)

Kurztest

Testen Sie Ihr Wissen über die grundlegenden Funktionen von rvest zum Navigieren in HTML-Dokumenten.

Rückblick: Grundlegende rvest-Funktionen

Wichtige Erkenntnisse: read_html() lädt Seiten; html_element() ruft die erste Übereinstimmung ab; html_elements() ruft alle Übereinstimmungen ab. Extrahieren Sie Text mit html_text2(), Attribute mit html_attr(), Kindelemente mit html_children() und Tag-Namen mit html_name(). Fehlende Elemente ergeben NA-Knoten – behandeln Sie NA in produktiven Scraping-Skripten immer entsprechend.

library(rvest)
# Core rvest workflow:
# 1. Load page
# page <- read_html(url)

# 2. Find elements
# node  <- html_element(page, 'css-selector')
# nodes <- html_elements(page, 'css-selector')

# 3. Extract content
# html_text2(node)        -> text content
# html_attr(node, 'href') -> attribute value
# html_attrs(node)        -> all attributes
# html_name(node)         -> tag name
# html_children(node)     -> child nodes

# 4. Build data frame
# data.frame(title = html_text2(...), link = html_attr(...))
cat('rvest follows the tidy data philosophy')

Häufig gestellte Fragen

Ist die Lektion „Grundlagen von html_element() und html_text()“ kostenlos?

Ja — der vollständige Text von „Grundlagen von html_element() und html_text()“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des R Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der R Academy-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Grundlagen von html_element() und html_text()“?

Extrahieren Sie Text, Attribute und Tabellendaten aus gescrapten Seiten. Du übst R Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um R Academy zu starten?

Keine Vorkenntnisse erforderlich. R Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.

Wie lange dauert die Lektion „Grundlagen von html_element() und html_text()“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser R Academy-Lektion Code schreiben und ausführen?

Ja. Jede R Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. HTML-Struktur und CSS-Selektoren
  2. Grundlagen von html_element() und html_text()
  3. Tabellen und Links scrapen
  4. Paginierung und mehrere Seiten verarbeiten
← Zurück zu R Academy