Impossibile salvare - carico xml_document generata da rvest in R

Question

La funzione read_html genera un xml_document che mi piacerebbe salvare e in seguito il carico per analizzarlo.

Il problema è che dopo aver caricato il xml_document non c'è html all'interno di esso.

library(rvest) 
library(magrittr) 
doc <- read_html("http://www.example.com/") 
doc %>% html_node("h1") %>% html_text 

ottengo: [1] "Example Domain"

Ma quando salvo prima l'oggetto xml_document doc e inserirla nuovamente sembra che tutto è stato cancellato.

save(doc, file=paste0(getwd(), "/example.RData")) 
rm(doc) 

load(file=paste0(getwd(), "/example.RData")) 
doc %>% html_node("h1") %>% html_text 

ottengo: Error: No matches

O quando ho eseguito doc ottengo: {xml_document} un xml_document vuota.

È anche il caso che quando eseguo il doc, dopo averlo caricato, ricevo un messaggio che RStudio ha smesso di funzionare.

ho provato su due diverse macchine Windows, ha ottenuto lo stesso problema.

sessionInfo() 

R version 3.3.0 (2016-05-03) 
Platform: x86_64-w64-mingw32/x64 (64-bit) 
Running under: Windows 7 x64 (build 7601) Service Pack 1 

locale: 
[1] LC_COLLATE=English_United Kingdom.1252 LC_CTYPE=English_United Kingdom.1252 
[3] LC_MONETARY=English_United Kingdom.1252 LC_NUMERIC=C       
[5] LC_TIME=English_United Kingdom.1252  

attached base packages: 
[1] stats  graphics grDevices utils  datasets methods base  

other attached packages: 
[1] magrittr_1.5  rvest_0.3.1.9000 xml2_0.1.2  

loaded via a namespace (and not attached): 
[1] httr_1.1.0 R6_2.1.2 tools_3.3.0 Rcpp_0.12.5 

Answer 1

Ho trovato una soluzione, non molto efficiente ma fa il lavoro.

La logica è salvare lo xml_document come stringa e leggerlo di nuovo con read_html.

library(rvest) 
library(magrittr) 
doc <- read_html("http://www.example.com/") 

# convert it to character 
doc %<>% as("character") 

save(doc, file=paste0(getwd(), "/example.RData")) 
rm(doc) 

load(file=paste0(getwd(), "/example.RData")) 
doc %>% read_html %>% html_node("h1") %>% html_text 

Answer 2

ho scritto qualche funzioni ad hoc per eseguire questa operazione. Sono leggermente migliore rispetto alla precedente risposta perché lavorano per le liste di rvest oggetti e usano RDS invece del file RDATA. Ciò consente di nominare l'oggetto tutto ciò che si desidera.

write_rvest = function(x, path, ...) { 
    #convert to character 
    #is list? 
    if (is.list(x)) { 
    x %<>% map(as.character) 
    } else { 
    x %<>% as.character 
    } 

    #save 
    write_rds(x, path = path, ...) 
} 

read_rvest = function(path) { 
    #load from file 
    x = read_rds(path) 

    #read 
    if (is.list(x)) { 
    x %<>% map(read_html) 
    } else { 
    x %<>% read_html 
    } 

    x 
} 

Test per l'uguaglianza funzionano ma non hanno identità. Tuttavia, gli oggetti funzionano e hanno le stesse dimensioni in byte, quindi non so perché l'identità fallisce. Forse è sensibile alla posizione della RAM.