R Language
Raspare e analizzare il Web

Osservazioni

Raschiatura di base con rvest

rvest è un pacchetto per scraping web e parsing di Hadley Wickham ispirato a Beautiful Soup di Python. xml2 i collegamenti libxml2 del pacchetto xml2 di Hadley per l'analisi HTML.

Come parte del tidyverse, rvest viene convogliato . Utilizza

• xml2::read_html per raschiare l'HTML di una pagina web,
• che può quindi essere sottoinsieme con le sue funzioni html_node e html_nodes usando selettori CSS o XPath e
• analizzato su oggetti R con funzioni come html_text e html_table .

Per raschiare la tabella delle pietre miliari dalla pagina di Wikipedia su R , il codice sarebbe simile

library(rvest)

url <- 'https://en.wikipedia.org/wiki/R_(programming_language)'

        # scrape HTML from website
url %>% read_html() %>% 
    # select HTML tag with class="wikitable"
    html_node(css = '.wikitable') %>% 
    # parse table into data.frame
    html_table() %>%
    # trim for printing
    dplyr::mutate(Description = substr(Description, 1, 70))

##    Release       Date                                                  Description
## 1     0.16            This is the last alpha version developed primarily by Ihaka 
## 2     0.49 1997-04-23 This is the oldest source release which is currently availab
## 3     0.60 1997-12-05 R becomes an official part of the GNU Project. The code is h
## 4   0.65.1 1999-10-07 First versions of update.packages and install.packages funct
## 5      1.0 2000-02-29 Considered by its developers stable enough for production us
## 6      1.4 2001-12-19 S4 methods are introduced and the first version for Mac OS X
## 7      2.0 2004-10-04 Introduced lazy loading, which enables fast loading of data 
## 8      2.1 2005-04-18 Support for UTF-8 encoding, and the beginnings of internatio
## 9     2.11 2010-04-22                          Support for Windows 64 bit systems.
## 10    2.13 2011-04-14 Adding a new compiler function that allows speeding up funct
## 11    2.14 2011-10-31 Added mandatory namespaces for packages. Added a new paralle
## 12    2.15 2012-03-30 New load balancing functions. Improved serialization speed f
## 13     3.0 2013-04-03 Support for numeric index values 231 and larger on 64 bit sy

Mentre questo restituisce un data.frame, si noti che, come è tipico per i dati raschiati, c'è ancora ulteriore pulizia dei dati da fare: qui, date di formattazione, inserimento di NA e così via.

Si noti che i dati in un formato rettangolare meno coerente possono richiedere il looping o altri ulteriori munging per analizzare correttamente. Se il sito Web utilizza jQuery o altri mezzi per inserire contenuti, read_html potrebbe non essere sufficiente per raschiare e un raschietto più robusto come RSelenium potrebbe essere necessario.

Usare rvest quando è richiesto il login

Ho riscontrato un problema comune durante la rottamazione di un sito Web è come immettere un ID utente e una password per accedere a un sito Web.

In questo esempio che ho creato per tracciare le mie risposte pubblicate qui per impilare l'overflow. Il flusso generale è quello di accedere, andare a una pagina web raccogliere informazioni, aggiungerlo a un dataframe e quindi passare alla pagina successiva.

library(rvest) 

#Address of the login webpage
login<-"https://stackoverflow.com/users/login?ssrc=head&returnurl=http%3a%2f%2fstackoverflow.com%2f"

#create a web session with the desired login address
pgsession<-html_session(login)
pgform<-html_form(pgsession)[[2]]  #in this case the submit is the 2nd form
filled_form<-set_values(pgform, email="*****", password="*****")
submit_form(pgsession, filled_form)

#pre allocate the final results dataframe.
results<-data.frame()  

#loop through all of the pages with the desired info
for (i in 1:5)
{
  #base address of the pages to extract information from
  url<-"http://stackoverflow.com/users/**********?tab=answers&sort=activity&page="
  url<-paste0(url, i)
  page<-jump_to(pgsession, url)

  #collect info on the question votes and question title
  summary<-html_nodes(page, "div .answer-summary")
  question<-matrix(html_text(html_nodes(summary, "div"), trim=TRUE), ncol=2, byrow = TRUE)

  #find date answered, hyperlink and whether it was accepted
  dateans<-html_node(summary, "span") %>% html_attr("title")
  hyperlink<-html_node(summary, "div a") %>% html_attr("href")
  accepted<-html_node(summary, "div") %>% html_attr("class")

  #create temp results then bind to final results 
  rtemp<-cbind(question, dateans, accepted, hyperlink)
  results<-rbind(results, rtemp)
}

#Dataframe Clean-up
names(results)<-c("Votes", "Answer", "Date", "Accepted", "HyperLink")
results$Votes<-as.integer(as.character(results$Votes))
results$Accepted<-ifelse(results$Accepted=="answer-votes default", 0, 1)

Il loop in questo caso è limitato a sole 5 pagine, questo deve essere modificato per adattarsi alla tua applicazione. Ho sostituito i valori specifici dell'utente con ******, si spera che ciò fornisca una guida per il tuo problema.