Función para leer documentos HTML

La función read_html() es originaria del paquete xml2 que trabaja con archivos XML y usa una interfaz simple y consistente. El paquete xml2 fue diseñado en base al paquete libxml2 del lenguaje C. La función read_html() convierte un documento XML/HTML (o nodo o conjunto de nodos) en una lista R equivalente.

Función para extraer nodos

Las funciones html_element() y html_elements() permiten extraer con facilidad fragmentos de documentos HTML mediante los selectores XPath y CSS.

Argumentos

Función para extraer texto

Hay dos formas de recuperar texto de un elemento html: html_text() y html_text2(). La función html_text() es una fina envoltura alrededor de la función xml2::xml_text() que devuelve solo el texto subyacente sin procesar. Por su parte, html_text2() simula cómo se ve el texto en un navegador y utiliza un enfoque inspirado en la función innerText() de JavaScript. En términos generales, convierte la etiqueta <br /> en \n, agrega líneas en blanco alrededor de las etiquetas <p> y formatea ligeramente los datos tabulares.

Vale aclarar que html_text2() suele devolver lo que se desea en la forma en que se desea, pero es mucho más lento que html_text(). Por esta razón es recomendable usar html_text() para raspados de mayor volumen.

Función para extraer atributos de elementos HTML

html_attr() obtiene un solo atributo; html_attrs() obtiene todos los atributos.

library(rvest)
minimal_html('<ul><li><a href="https://a.com" class="important">a</a></li></ul>') |> 
  html_elements("a") |> html_attr("href")

## [1] "https://a.com"

Función para extraer tablas

La función html_table transforma una tabla html en un marco de datos.

library(rvest)
minimal_html("<table><tr><th>Col A</th><th>Col B</th></tr>
  <tr><td>1</td><td>x</td></tr><tr><td>4</td><td>y</td></tr>
  <tr><td>10</td><td>z</td></tr></table>") |> 
  html_element("table") |> html_table()

## # A tibble: 3 × 2
##   `Col A` `Col B`
##     <int> <chr>  
## 1       1 x      
## 2       4 y      
## 3      10 z

Qué es un url

{purrr} un paquete de funciones para iterar

El paquete {purrr} mejora el conjunto de herramientas de programación funcional de R al proporcionar un conjunto completo y consistente de herramientas para trabajar con funciones y vectores. Este paquete tiene funciones que le permiten reemplazar muchos bucles for con código más breve y más fácil de leer.

La función map_df()

Las funciones map transforman su entrada aplicando una función a cada elemento de una lista o vector atómico y devolviendo un objeto de la misma longitud que la entrada.

library(purrr)
map_vec(1:9, sqrt)

## [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427
## [9] 3.000000

{httr} un paquete complementario para {rvest}

Este paquete contiene herramientas útiles para trabajar con HTTP organizado por verbos HTTP (GET(), POST(), etc). Las funciones de configuración facilitan el control de componentes de solicitud adicionales.