R语言网络爬虫学习 基于rvest包
R语言网络爬虫学习 基于rvest包
龙君蛋君；2015年3月26日
1.背景介绍：
前几天看到有人写了一篇用R爬虫的文章，感兴趣，于是自己学习了。好吧，其实我和那篇文章R语言爬虫初尝试-基于RVEST包学习 的主人认识～
2.知识引用与学习：
3.rvest + CSS Selector 网页数据抓取的最佳选择
3.正文：
第一个爬虫是爬取了戴申大牛在科学网博客的一些基本信息，戴申大牛看到这篇文章不要打我啊～我只是爬取了博文的几个字段，求饶恕～
library(rvest)
library(sqldf)
library(gsubfn)
library(proto)
#creat a function
extrafun <- function(i,non_pn_url){
url <- paste0(non_pn_url,i)
web <- html(url)
papername<- web %>% html_nodes("dl.bbda dt.xs2 a") %>% html_text()%>% .[c(seq(2,20,2))] %>% as.character()
paperlink<-gsub("\\?source\\=search","",web %>% html_nodes("dl.bbda dt.xs2 a") %>% html_attr("href"))%>% .[c(seq(2,20,2))]
paperlink <- paste0("http://blog.sciencenet.cn/",paperlink) %>% as.character()
posttime <- web %>% html_nodes("dl.bbda dd span.xg1") %>% html_text() %>% as.Date()#这里取每篇文章的发布时间
count_of_read <- web %>% html_nodes("dl.bbda dd.xg1 a") %>% html_text()
count_of_read <- as.data.frame(count_of_read)
count_of_read <- sqldf("select * from count_of_read where count_of_read like '%次阅读'")
data.frame(papername,posttime,count_of_read,paperlink)
}
#crawl data
final <- data.frame()
url <- 'http://blog.sciencenet.cn/home.php?mod=space&uid=556556&do=blog&view=me&page='
for(i in 1:40){
extrafun(i,url)
final <- rbind(final,extrafun(i,url))
}
> dim(final)
[1] 400 4
> head(final)
papername
1 此均值非彼均值
2 [转载]孔丘、孔子、孔老二，它究竟是一只什么鸟？
3 大数据分析之——k-means聚类中的坑
4 大数据分析之——足彩数据趴取
5 [转载]老王这次要摊事了，当年他主管的部门是事被重新抖出来。
6 [转载]党卫军是这样抓人的。
posttime count_of_read
1 2015-03-08 216 次阅读
2 2015-02-10 190 次阅读
3 2015-01-18 380 次阅读
4 2015-01-10 437 次阅读
5 2015-01-05 480 次阅读
6 2015-01-05 398 次阅读
paperlink
1 http://blog.sciencenet.cn/blog-556556-872813.html
2 http://blog.sciencenet.cn/blog-556556-866932.html
3 http://blog.sciencenet.cn/blog-556556-860647.html
4 http://blog.sciencenet.cn/blog-556556-858171.html
5 http://blog.sciencenet.cn/blog-556556-856705.html
6 http://blog.sciencenet.cn/blog-556556-856640.html
抓取的数据不能直接用作分析，于是导出到Excel，对数据做了一些处理，然后绘制了一张图。
write.table(final,"final.csv",fileEncoding="GB2312")
#抓取的数据需要在Excel进一步加工，加工后读取进来，进一步做分析
a <- read.table("dai_shen_blog_0326.csv",header=TRUE,sep=";",fileEncoding="GB2312")#Mac OS 环境下，要sep＝";"
a$posttime <- as.Date(a$posttime)
a$paperlink <- as.character(a$paperlink)
a$papername <- as.character(a$papername)
a$count_of_read_NO. <- as.numeric(a$count_of_read_NO.)
library(ggplot2)
qplot(posttime,count_of_read_NO.,data=a,geom="point",colour=repost,size=6)
这张图说明了什么呢？？
a).戴大牛在2012年上半年没写文章也没有转载文章（不知道发生了什么，难道是忘记博客登录密码了，哈哈～有可能），但下半年原创文章数量是最多的，数量占life time约1/3；
b).在2013年一整年,文章数量上半年明显多余下半年，全年文章总数量占life time约2/5,且原创和转载各半；
c).在2014年中，上半年文章数量明显少于下半年，转载和原创各半。
第二个爬虫是爬取了NBA2014-2015常规赛技术统计排行 - 得分榜
#Crawl NBA player statistics from sina
#web http://nba.sports.sina.com.cn/playerstats.php?s=0&e=49&key=1&t=1
library(rvest)
library(stringr)
library(sqldf)
rm(NBAdata)
start <- seq(0,250,50)
end <- seq(49,299,50)
getdata <- function(i){
url <- paste0('http://nba.sports.sina.com.cn/playerstats.php?s=',start[i],'&e=',end[i],'&key=1&t=1')
rank <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(1)") %>% html_text()%>%.[-1]%>%as.numeric()
player <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(2)") %>% html_text()%>%.[-1]%>%str_sub(9,100)%>%as.character()
team <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(3)") %>% html_text()%>%.[-1]%>%str_sub(9,100)%>%as.character()
avg_score <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(4)") %>% html_text()%>%.[-1]
total_score <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(5)") %>% html_text()%>%.[-1]
total_shoot <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(6)") %>% html_text()%>%.[-1]
three_point <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(7)") %>% html_text()%>%.[-1]
punish_point <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(8)") %>% html_text()%>%.[-1]
avg_time <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(9)") %>% html_text()%>%.[-1]
total_involve <- url %>% html_session() %>% html_nodes("table") %>% .[[2]] %>% html_nodes("td:nth-child(10)") %>% html_text()%>%.[-1]
data.frame(rank,player,team,avg_score,total_score,total_shoot,three_point,punish_point,avg_time,total_involve)
}
NBAdata <- data.frame()
for(i in 1:6){
NBAdata <- rbind(NBAdata,getdata(i))
}
NBAdata <- sqldf("select distinct * from NBAdata")
write.table(NBAdata,"NBAdata.csv",sep=",",fileEncoding="GB2312")
> head(NBAdata) rank player team avg_score total_score 1 1 拉塞尔-威斯布鲁克 雷霆 27.3 1556 2 2 詹姆斯-哈登 火箭 27.1 1900 3 3 勒布朗-詹姆斯 骑士 25.8 1600 4 4 安东尼-戴维斯 鹈鹕 24.6 1403 5 5 德马库斯-考辛斯 国王 23.8 1308 6 6 斯蒂芬-库里 勇士 23.4 1618 total_shoot three_point punish_point avg_time 1 42.7% 30.1% 84.6% 33.8 2 44% 36.8% 86.6% 36.8 3 49.2% 35.4% 71.9% 36.2 4 54.5% 10% 81.4% 36.2 5 46.5% 28.6% 80.2% 33.7 6 47.9% 42.2% 91.4% 32.9 total_involve 1 57 2 70 3 62 4 57 5 55 6 69
发现NBA2014-2015常规赛技术统计排行 - 得分榜 有两个错误。
a).排名第50的NBA球星缺失。
b).数据有大量重复，初次爬取，有510条记录，最后发现原来这个数据统计本身就有很多重复，于是用SQL去重，得到270条记录。
4.总结：
a).SelectorGadget 真的很好用，但是貌似这个插件要FQ才能安装成功。SelectorGadget结合Google Chrome 使用，查找html_nodes 非常方便。
b).下次爬，要学尾巴同学，爬一些招聘网站的数据，给自己以后找工作做个参考嘛。
以上。
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
以下内容修改于2015-04-01
今天闲来无事，浏览戴申同学的一篇博文
http://blog.sciencenet.cn/blog-556556-848696.html
发现自己之前对于 NBA2014-2015常规赛技术统计排行 - 得分榜 这个爬虫写的极为失败，特做出以下更新：
library(rvest)
library(stringr)
library(sqldf)
start <- seq(0,250,50)
end <- seq(49,299,50)
getdata <- function(i){
url <- paste0('http://nba.sports.sina.com.cn/playerstats.php?s=',start[i],'&e=',end[i],'&key=1&t=1')
dat <- url %>% html() %>% html_nodes("table")%>%.[[2]]%>%html_table(head=TRUE)
data.frame(dat)
}
NBAdata <- data.frame()
for(i in 1:6){
NBAdata <- rbind(NBAdata,getdata(i))
}
NBAdata <- sqldf("select distinct * from NBAdata")
dim(NBAdata)
write.table(NBAdata,"NBAdata.csv",sep=",",fileEncoding="GB2312")
> head(NBAdata) 排名 球员 球队 场均得分 得分总数 投篮命中率 1 1 拉塞尔-威斯布鲁克 雷霆 27.6 1626 42.5% 2 2 詹姆斯-哈登 火箭 27.2 1988 43.8% 3 3 勒布朗-詹姆斯 骑士 25.7 1644 48.9% 4 4 安东尼-戴维斯 鹈鹕 24.7 1455 54.1% 5 5 德马库斯-考辛斯 国王 24.1 1347 46.8% 6 6 斯蒂芬-库里 勇士 23.7 1708 48.3% 三分命中率 罚篮命中率 场均时间 参赛场次 1 29.7% 84.6% 34.0 59 2 36.9% 86.6% 36.9 73 3 35.3% 71.7% 36.3 64 4 10% 81.2% 36.3 59 5 28.6% 79.7% 33.9 56 6 43.4% 91.8% 32.9 72
总结：网页中若有table，则可以直接读取，然后用html_table(),可以直接转化为table，十分方便。
