合并从Gallica XML报纸发行的for循环中的文本
合并从Gallica XML报纸发行的for循环中的文本
提问于 2019-11-25 08:18:25
我想收集法国报纸“西部日报”(1915年)的文字。法文版文本可从法国数字图书馆Gallica获得。
library(httr)
library(xml2)
library(tidyverse)
# Newspapers issues identifiers calls arks. They are scrapped from Gallica (XML) and parsed to data frame object
r <- GET("https://gallica.bnf.fr/services/Issues?ark=ark:/12148/cb41193663x/date&date=1916")
ouest_eclair <- r %>%
content() %>%
xml_find_all(".//issue") %>%
map_df(~ c(as.list(xml_attrs(.x)), date_parution = xml_text(.x)))
# keep only the good colum withs identifiers
arks2 <- ouest_eclair[,'ark']
# The library htm2txt is used to extract easily text from an html page.
library(htm2txt)
# Here's the loop
for (i in arks2) {
url <- paste0("https://gallica.bnf.fr/ark:/12148/", i, ".texteBrut")
print(url)
txt <- gettxt(url)
txt <- paste(txt,txt)
Sys.sleep(1)
}我的问题是:如何在循环中合并one txt对象中的所有文本，避免第一次文本的2倍？
Stack Overflow用户
发布于 2019-11-25 09:02:05
问题是在循环的每一次迭代中都要覆盖txt。诀窍是从一个(空)变量开始，用于在循环之外定义并在每次迭代中得到更新(而不是覆盖)的输出，再加上另一个确实被重写的临时变量：
library(htm2txt)
arks2 <- c("bpt6k5674481", "bpt6k567454v", "bpt6k567462f")
txt.output <- "" # start with an empty string of text before you start the loop
for (i in arks2) {
url <- paste0("https://gallica.bnf.fr/ark:/12148/", i, ".texteBrut")
print(url)
txt.temp <- gettxt(url)
txt.output <- paste(txt, txt.temp)
Sys.sleep(1)
}不过，你实际上并不需要临时的：
txt.output <- ""
for (i in arks2) {
url <- paste0("https://gallica.bnf.fr/ark:/12148/", i, ".texteBrut")
print(url)
txt.output <- paste(txt, gettxt(url))
Sys.sleep(1)
}页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/59027566
复制相关文章
相似问题
腾讯云开发者
