Есть хорошие ответы на SO о том, как использовать readHTMLTable из пакета XML, и я сделал это с помощью обычных страниц http, однако я не могу решить свою проблему с https-страницами.
Я пытаюсь прочитать таблицу на этом веб-сайте (строка url):
library(RTidyHTML)
library(XML)
url <- "https://ned.nih.gov/search/ViewDetails.aspx?NIHID=0010121048"
h = htmlParse(url)
tables <- readHTMLTable(url)
Но я получаю эту ошибку: Файл https://ned.nih.gov/search/Vi...does не существует.
Я попытался преодолеть проблему https с этим (первые 2 строки ниже) (от использования google для поиска решения (например, здесь http://tonybreyal.wordpress.com/2012/01/13/r-a-quick-scrape-of-top-grossing-films-from-boxofficemojo-com/).
Этот трюк помогает увидеть больше страницы, но любые попытки извлечь таблицу не работают. Любые советы приветствуются. Мне нужны поля таблицы, такие как Организация, Организационное название, Менеджер.
#attempt to get past the https problem
raw <- getURL(url, followlocation = TRUE, cainfo = system.file("CurlSSL", "cacert.pem", package = "RCurl"))
head(raw)
[1] "\r\n<!DOCTYPE html PUBLIC \"-//W3C//DTD XHTML 1.0 Transitional//EN\" \"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd\">\n<html xmlns=\"http://www.w3.org/1999/xhtml\" xml:lang=\"en\" lang=\"en\">\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html;
...
h = htmlParse(raw)
Error in htmlParse(raw) : File ...
tables <- readHTMLTable(raw)
Error in htmlParse(doc) : File ...