0Pricing
R Academy · Lezione

Basi di html_element() e html_text()

Estragga testo, attributi e dati tabellari dalle pagine acquisite.

Basi di html_element() e html_text() è una lezione R Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento R Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso R Academy include 4 lezioni in totale.

read_html(): caricamento di una pagina

read_html() è il punto di ingresso per rvest. Passi un URL o una stringa HTML grezza. La funzione restituisce un oggetto xml_document che rappresenta l'albero DOM analizzato, pronto per le query.

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() e html_elements()

html_element() restituisce il primo nodo corrispondente (oppure NA se non ne trova alcuno). html_elements() restituisce tutti i nodi corrispondenti sotto forma di lista. Usi la forma singolare quando prevede esattamente un risultato e quella plurale quando esegue lo scraping di elenchi.

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() per ottenere testo pulito

html_text2() estrae il contenuto testuale dai nodi, rimuovendo i tag HTML e riducendo gli spazi bianchi in modo ordinato. Gestisce <br> come ritorni a capo. La versione precedente html_text() gestisce gli spazi bianchi in modo meno efficace.

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(): estrazione degli attributi

html_attr(node, 'attr_name') estrae il valore di un attributo HTML. È essenziale per ottenere href dai link, src dalle immagini, gli attributi data-* e altro ancora.

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(): tutti gli attributi

html_attrs(node) restituisce un vettore di caratteri con nomi contenente TUTTI gli attributi di un nodo. È utile quando non conosce in anticipo i nomi degli attributi o vuole esaminare quelli disponibili per un elemento.

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(): nodi figli

html_children(node) restituisce i nodi figli immediati di un elemento. In combinazione con html_name() per ottenere i nomi dei tag, è utile per comprendere programmaticamente la struttura della pagina.

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(): nomi dei tag

html_name(node) restituisce il nome del tag di un nodo sotto forma di stringa in minuscolo (ad esempio 'div', 'p', 'a'). È utile per filtrare gli elenchi di nodi in base al tipo di elemento dopo il recupero.

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.')

Concatenazione delle selezioni

Può passare un nodo (non solo il documento) come primo argomento a html_element(). In questo modo la ricerca viene limitata all'interno di quel nodo, un aspetto fondamentale per eseguire lo scraping di strutture ripetute come schede di prodotti o righe di tabelle.

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 su un NodeSet

Quando viene chiamato su un nodeset (il risultato di html_elements()), html_attr() restituisce un vettore di valori degli attributi, uno per nodo. Gli attributi mancanti restituiscono 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)

Gestione degli elementi mancanti

html_element() restituisce un nodo NA (non NULL) quando non trova corrispondenze. html_text2() applicato a un nodo NA restituisce NA_character_. Verifichi sempre la presenza di NA nei risultati quando gli elementi possono essere facoltativi.

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'

Assemblaggio dei componenti

Combini html_elements(), html_text2() e html_attr() per estrarre dati strutturati in un data frame: il tipico obiettivo finale del web scraping con 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)

Verifica rapida

Verifichi la Sua conoscenza delle funzioni fondamentali di rvest per esplorare i documenti HTML.

Riepilogo: funzioni fondamentali di rvest

Punti chiave: read_html() carica le pagine; html_element() recupera la prima corrispondenza; html_elements() recupera tutte le corrispondenze. Estragga il testo con html_text2(), gli attributi con html_attr(), i nodi figli con html_children() e i nomi dei tag con html_name(). Gli elementi mancanti restituiscono nodi NA: gestisca sempre NA negli scraper utilizzati in produzione.

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')

Domande Frequenti

La lezione «Basi di html_element() e html_text()» è gratuita?

Sì — il testo completo di «Basi di html_element() e html_text()» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso R Academy, passa a CoddyKit PRO. Il corso R Academy include 4 lezioni in totale.

Cosa imparerò in «Basi di html_element() e html_text()»?

Estragga testo, attributi e dati tabellari dalle pagine acquisite. Eserciti R Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.

Ho bisogno di esperienza per iniziare R Academy?

Non è richiesta alcuna esperienza precedente. R Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.

Quanto tempo richiede la lezione «Basi di html_element() e html_text()»?

La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.

Posso scrivere ed eseguire codice in questa lezione R Academy?

Sì. Ogni lezione R Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.

Tutte le lezioni di questo corso

  1. Struttura HTML e selettori CSS
  2. Basi di html_element() e html_text()
  3. Acquisizione di tabelle e link
  4. Gestione della paginazione e di più pagine
← Torna a R Academy