HTML树解析处理程序的解释

Question

在XML包中的示例部分?htmlParse中，有以下函数getLinks()。

getLinks <- function() { 
       links <- character() 
       list(a = function(node, ...) { 
                   links <<- c(links, xmlGetAttr(node, "href"))
                   node 
                }, 
            links = function()links)
     }

使用它一段时间后，再仔细观察，我仍然无法理解函数体中发生的事件顺序。

> bod <- as.list(body(getLinks))
> c(bod, rapply(bod, as.list))
[[1]]
`{`

[[2]]
links <- character()

[[3]]
list(a = function(node, ...) {
    links <<- c(links, xmlGetAttr(node, "href"))
    node
}, links = function() links)

$a
function (node, ...) 
{
    links <<- c(links, xmlGetAttr(node, "href"))
    node
}
<environment: 0x595f7f0>

$links
function () 
links
<environment: 0x595f7f0>

能否提供该函数中发生的事件链的详细解释？

如果需要示例，请运行以下代码：

> library(XML)
> URL <- "http://www.retrosheet.org/game.htm"
> h1 <- getLinks()
> htmlTreeParse(URL, handlers = h1)
> h1$links()

- Rich Scriven

Answer 1

在单独使用时，该函数并没有什么用处。它只有在与htmlTreeParse配合使用时才有用。它有两个作用。首先，它创建了一个闭包/环境，在此环境中收集链接向量。其次，它返回一个可用作htmlTreeParse中的handler=的列表。根据文档，处理程序是可选的函数集合，用于将不同的XML节点映射到R对象上。通常，这是一个命名函数集合列表，可以使用闭包提供本地数据。这提供了一种过滤在R中创建的树、添加或删除节点、以及通常在C代码中构造它们时进行处理的方法。

所以htmlTreeParse将在列表中查找与HTML文件中元素的节点名称相匹配的名称。因此，由于列表中有一个"a"元素，该函数将为文档中的每个<a>（链接）标签调用该函数。该函数简单地提取href属性，即URL存储的位置，并将其添加到闭包中的links数组中。

最后，在解析完成后，您需要一种方法来访问闭包内部的links向量。因此，该列表还定义了一个"links"元素。这是一个函数，只返回受保护的向量。您可以将此函数命名为任何名称，只要它与HTML文档中的标签名称不匹配即可。

因此，该getLinks()函数只返回一个可用作处理程序的列表。大部分真正的工作都是在htmlTreeParse函数中完成的。

- MrFlick

---

谢谢您，非常好的解释。这个函数使得我所有的包函数都变得更快了。 - Rich Scriven

Answer 2

除了Flick先生的出色解释，这里提供一个简单的演示来展示这个函数是如何工作的：

 getLinks <- function() { 
  links <- character() 
  list(a = function(node, ...) { 
    links <<- c(links,  node)  ## I omit the call to XMLGetAttr
    node 
  }, 
  links = function()links)
}
h1 = getLinks()

现在我只需多次调用该函数，并在每次调用时打印结果链接：

for (i in 1:3 ){
  print(h1$links())
  h1$a(paste0("node",i))
}

正如您所看到的，链接只是一个列表，在每次调用 getlinks 时通过找到的新链接进行递增：

character(0)
[1] "node1"
[1] "node1" "node2"

- agstudy

---

基本上，它会尽可能深入HTML内容，或者需要深入到哪个程度。这真的很酷。这个XML东西真的很不可思议。 - Rich Scriven