在R中使用xpath查找包括变音符号的文本

编程问答 2022-05-28

问题描述

我想通过 text() 识别包含带有“Umlaute”文本的节点。

library(xml2)
library(rvest)
doc <- "<p>Über uns </p>" %>% xml2::read_html()
grepl(pattern = "Über uns",x = as.character(doc))
grepl(pattern = "Über uns",x = doc)

问题：

如何提取包含文本“Über uns”的节点？

尝试了什么：

https://forum.fhem.de/index.php?topic=96254.0

Java XPath umlaut/vowel parsing

# does not work
xp <- paste0("//*[contains(text(),'Über uns')]")
html_nodes(x = doc,xpath = xp)

# does not work    
xp <- paste0("//*[translate(text(),'Ü','U') = 'Uber uns']")
html_nodes(x = doc,xpath = xp)

# does not work
xp <- paste0("//*[contains(text(),'&Uuml;ber uns')]")
html_nodes(x = doc,xpath = xp)


# this works but i wonder if there is a solution with xpath
doc2 <- doc %>% 
  as.character() %>% 
  gsub(pattern = "Ü",replacement = "Ue") %>% 
  xml2::read_html()

xp <- paste0("//*[contains(text(),'Ueber uns')]")
html_nodes(x = doc2,xpath = xp)

解决方法

这听起来像是编码问题；它在这里与 en_US.UTF-8 一起使用。也许将您的默认文本编码更改为 UTF-8（例如在 RStudio 中：工具 - 全局选项 - 代码 - 保存 - 默认文本编码）或临时切换：

library(xml2)
library(rvest)
old.locale <- Sys.getlocale("LC_CTYPE")
Sys.setlocale("LC_CTYPE",'C') # using non-UTF-8 encoding
#> [1] "C"
doc <- "<p>Über uns </p>" %>% xml2::read_html()
xp <- paste0("//*[contains(text(),'Über uns')]")
html_nodes(x = doc,xpath = xp)
{xml_nodeset (0)}

Sys.setlocale("LC_CTYPE",'en_US.UTF-8') # using UTF-8 encoding
#> [1] "en_US.UTF-8"

doc <- "<p>Über uns </p>" %>% xml2::read_html()
xp <- paste0("//*[contains(text(),xpath = xp)
#> {xml_nodeset (1)}
#> [1] <p>Über uns </p>

Sys.setlocale("LC_CTYPE",old.locale)
#> [1] "en_US.UTF-8"
rrrvestxml2xml2xpathxpathxpathxpath