通过多层嵌套创建从抓取数据派生的对象

Question

这是我之前提出的问题（如何从 rvest 抓取的网站创建数据框架，保留数据的嵌套结构）和 @stefan 的 answer 的后续问题。这个答案非常适合这个问题。

但是如果有额外的嵌套层怎么办？

library(rvest)
library(dplyr, warn = FALSE)
books <- minimal_html('
  <div class="entry">
        <div class="collection">Collection 1</div>
        <div class="book">
          <div class="booktitle">Book 1</div>
          <div class="year">1999</div>
          <div class="author">
            <div class="name">Author 1</div>
            <div class="city">Austin</div>
          </div>  
          <div class="author">
            <div class="name">Author 2</div>
            <div class="city">Dallas</div> 
          </div>  
          <div class="author">
            <div class="name">Author 3</div>
            <div class="city">Memphis</div>  
          </div>  
        </div>
        <div class="book">
          <div class="booktitle">Book 2</div>
          <div class="year">2022</div>
          <div class="author">
            <div class="name">Author 4</div>
            <div class="city">Houston</div>
          </div>  
        </div>
  </div>
  <div class="entry">  
        <div class="collection">Collection 2</div>
        <div class="book">
          <div class="booktitle">Book 3</div>
          <div class="year">1845</div>
          <div class="author">
            <div class="name">Author 5</div> 
          </div>  
          <div class="author">
            <div class="name">Author 6</div>
            <div class="city">Dayton</div>
          </div>  
          <div class="author">
            <div class="name">Author 7</div>
            <div class="city">Philadelphia</div>  
          </div>  
        </div>
  </div>')

和以前一样，我希望事情处于作者级别，但作者的姓名和城市应该在同一行。另外，还有一个额外的外层，

collection

。

entry

中书籍的所有作者都应该有

entry

的藏书号。因此应该有七行，并且

Author 7

应该具有以下值：

Collection 2

、

Book 3

、

1845

、

Author 7

和

Philadelphia

。

另请注意，每位作者只有一个（或没有）姓名和一个（或没有 - 作者 5 没有城市）城市。并且

entry

总是恰好有一个

collection

。

如何从之前的答案中扩展此代码以获得我想要的解决方案？

data0 <- books %>%
    html_elements(".book") |>
    lapply(\(x) {
        tibble(
            title = x |> html_element(".booktitle") |> html_text2(),
            year = x |> html_element(".year") |> html_text2(),
            authors = x |> html_elements(".author") |> html_text2(),
        )
    }) |>
    bind_rows()

Answer 1

由于作者和城市之间有一个换行符，您可以尝试 tidyr 包中的单独功能。

library(tidyr)
tidyr::separate(data0, authors, into=c("authors", "city"), sep="\\n")

对于更复杂的情况，很可能需要几个循环或递归。