R Academy · Lekcja

Podstawy html_element() i html_text()

Wyodrębniaj tekst, atrybuty i dane tabelaryczne ze stron poddanych scrapingowi.

Podstawy html_element() i html_text() to bezpłatna lekcja R Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej R Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs R Academy zawiera 4 lekcji w sumie.

read_html(): wczytywanie strony

read_html() jest punktem wejścia do rvest. Przekaż adres URL lub surowy ciąg HTML. Funkcja zwraca obiekt xml_document reprezentujący sparsowane drzewo DOM, gotowe do odpytywania.

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() a html_elements()

html_element() zwraca pierwszy pasujący węzeł (lub NA, jeśli nie znaleziono żadnego). html_elements() zwraca wszystkie pasujące węzły jako listę. Używaj formy pojedynczej, gdy oczekujesz dokładnie jednego wyniku, a mnogiej podczas pobierania list.

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() do pobierania czystego tekstu

html_text2() wyodrębnia zawartość tekstową z węzłów, usuwając znaczniki HTML i poprawnie redukując nadmiarowe białe znaki. Obsługuje <br> jako znaki nowego wiersza. Starsza funkcja html_text() gorzej radzi sobie z białymi znakami.

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(): wyodrębnianie atrybutów

html_attr(node, 'attr_name') wyodrębnia wartość atrybutu HTML. Jest to niezbędne do pobierania href z odnośników, src z obrazów, atrybutów data-* i wielu innych.

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(): wszystkie atrybuty

html_attrs(node) zwraca nazwany wektor znakowy zawierający WSZYSTKIE atrybuty węzła. Jest to przydatne, gdy nie znasz nazw atrybutów z wyprzedzeniem lub chcesz sprawdzić, jakie atrybuty są dostępne dla elementu.

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(): węzły potomne

html_children(node) zwraca bezpośrednie węzły potomne elementu. W połączeniu z html_name(), które pobiera nazwy znaczników, funkcja ta pomaga programowo zrozumieć strukturę strony.

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(): nazwy znaczników

html_name(node) zwraca nazwę znacznika węzła jako ciąg małych liter (np. 'div', 'p', 'a'). Jest to przydatne do filtrowania list węzłów według typu elementu po ich pobraniu.

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.')

Łączenie selekcji

Jako pierwszy argument funkcji html_element() możesz przekazać węzeł, a nie tylko dokument. Ogranicza to wyszukiwanie do wnętrza tego węzła — co ma kluczowe znaczenie podczas pobierania powtarzalnych struktur, takich jak karty produktów czy wiersze tabel.

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 dla NodeSet

Wywołana dla nodeset (wyniku funkcji html_elements()) funkcja html_attr() zwraca wektor wartości atrybutów — po jednej dla każdego węzła. Brakujące atrybuty zwracają 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)

Obsługa brakujących elementów

html_element() zwraca węzeł NA (a nie NULL), gdy nic nie pasuje. Wywołanie html_text2() dla węzła NA zwraca NA_character_. Zawsze sprawdzaj wartości NA w wynikach, gdy elementy mogą być opcjonalne.

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'

Połączenie wszystkiego

Połącz html_elements(), html_text2() i html_attr(), aby pobrać uporządkowane dane do ramki danych — jest to typowy cel web scrapingu za pomocą 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)

Szybki test

Sprawdź swoją wiedzę na temat podstawowych funkcji rvest służących do poruszania się po dokumentach HTML.

Podsumowanie: podstawowe funkcje rvest

Najważniejsze informacje: read_html() wczytuje strony, html_element() pobiera pierwszy pasujący element, a html_elements() pobiera wszystkie pasujące elementy. Tekst wyodrębniaj za pomocą html_text2(), atrybuty za pomocą html_attr(), węzły potomne za pomocą html_children(), a nazwy znaczników za pomocą html_name(). Brakujące elementy zwracają węzły NA — w scraperach produkcyjnych zawsze obsługuj wartości NA.

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')

Często zadawane pytania

Czy lekcja „Podstawy html_element() i html_text()” jest bezpłatna?

Tak — pełny tekst „Podstawy html_element() i html_text()” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu R Academy, przejdź na CoddyKit PRO. Kurs R Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „Podstawy html_element() i html_text()”?

Wyodrębniaj tekst, atrybuty i dane tabelaryczne ze stron poddanych scrapingowi. Ćwiczysz R Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć R Academy?

Nie wymagamy żadnego doświadczenia. R Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.

Ile czasu zajmuje lekcja „Podstawy html_element() i html_text()”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji R Academy?

Tak. Każda lekcja R Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do R Academy