R Language
Webスクレープと解析

備考

rvestによる基本的な削り取り

rvestは、PythonのBeautiful Soupに触発されたHadley WickhamによるWeb rvestと解析用のパッケージです。 Hadleyのxml2パッケージのlibxml2バインディングをHTML解析に活用しています。

tidyverseの一環として、 rvestがパイプされます。それは使用しています

• xml2::read_htmlを使用してWebページのHTMLをスクラップし、
• これは、そのサブセットとすることができるhtml_nodeとhtml_nodes CSSを使用して、機能またはXPathのセレクタ、および
• html_textやhtml_tableような関数でRオブジェクトにパースされます。

RのWikipediaページからマイルストーンのテーブルを削るために、コードは次のようになります

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

これによりdata.frameが返されますが、スクレイプされたデータには典型的なように、ここでデータを整理する必要があります。ここでは、日付の書式設定、 NAの挿入などがあります。

一貫性の低い長方形形式のデータは、解析を成功させるためにループ処理やその他の処理を必要とすることに注意してください。ウェブサイトがjQueryやその他の手段を使ってコンテンツを挿入すると、 read_htmlするには不十分であり、 RSeleniumようなより頑強なスクレーパーが必要な場合があります。

ログインが必要な場合にrvestを使用する

私は一般的な問題は、Webを廃棄するときに、WebサイトにログインするためのユーザーIDとパスワードを入力する方法です。

私の回答を追跡するために作成したこの例では、ここにスタックオーバーフローが発生しました。全体的な流れはログインすること、ウェブページの情報を収集すること、データフレームを追加して次のページに移動することです。

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)

この場合のループは5ページに制限されていますが、これはアプリケーションに合わせて変更する必要があります。私はユーザー固有の値を******に置き換えました。うまくいけば、これはあなたのためのいくつかのガイダンスを提供します。