Estoy tratando de ejecutar un raspado donde la acción que realizo en un nodo está condicionada al contenido del nodo.

Este debería ser un ejemplo mínimo:

XML =
'<td class="id-tag">
    <span title="Really Long Text">Really L...</span>
</td>
<td class="id-tag">Short</td>'

page = read_html(XML)

Básicamente, quiero extraerhtml_attr(x, "title") Si<span> existe, de lo contrario solo consiguehtml_text(x).

El código para hacer lo primero es:

page %>% html_nodes(xpath = '//td[@class="id-tag"]/span') %>% html_attr("title")
# [1] "Really Long Text"

El código para hacer lo segundo es:

page %>% html_nodes(xpath = '//td[@class="id-tag"]') %>% html_text
# [1] "\n    Really L...\n" "Short"  

El verdadero problema es que elhtml_attr enfoque no me da ningunaNA o algo similar para los nodos que no coinciden (incluso si dejo que elxpath ser sólo'//td[@class="id-tag"]' primero para estar seguro de que me he reducido a solo los nodos relevantes primero. Esto destruye el orden: no puedo decir automáticamente si la estructura original tenía"Really Long Text" en el primer o el segundo nodo.

(Pensé en unirme, pero el mapeo entre el texto abreviado y el texto completo no es uno a uno / invertible).

Esta parece estar en el camino correcto: una construcción if / else dentro delxpath Pero no funciona.

Lo ideal sería obtener la salida:

# [1] "Really Long Text" "Short"