R自动数据收集第一章概述——《List of World Heritage in Danger》
《List of World Heritage in Danger》
导包
library(stringr)library(XML)library(maps)heritage_parsed <- htmlParse("http://en.wikipedia.org/wiki/List_of_World_Heritage_in_Danger",encoding = "UTF-8")
Error: failed to load external entity "
网上查阅了相关的资料：
并不能有效的解决，so，只好去翻阅errata
page 2
Credit: Suryapratim Sarkar (2015-06-25)
Wikipedia changed its server communication from HTTP to HTTPS. As a result, the following lines on page 2 return an error:(的确，如果你直接粘贴原http协议的地址，浏览器的地址栏会自动帮你转成https)
heritage_parsed <- htmlParse("http://en.wikipedia.org/wiki/List_of_World_Heritage_in_Danger",
encoding = "UTF-8")## Error: failed to load external entity "http://en.wikipedia.org/wiki/List_of_World_Heritage_in_Danger"There are at least two solutions to the problem:
Use
getURL()and specify the location of CA signatures (see Section 9.1.7 of our book).Use Hadley Wickham’s
rvestpackage, which came out after our book was published. It facilitates scraping with R considerably, in particular in such scenarios(情形、脚本). In this specific example, use the following code instead:
library(rvest) # the new package, version 0.3.0
heritage_parsed <- read_html("http://en.wikipedia.org/wiki/List_of_World_Heritage_in_Danger", encoding = "UTF-8") # read_html() from the rvest package is the new htmlParse() from the XML package
tables <- html_table(heritage_parsed, fill = TRUE) # html_table() from the rvest package, which replaces readHTMLTable() from the XML packageFrom thereon, the rest of the chapter code should work. If you want to learn more about the rvest package, have a look here. We are planning to cover it extensively in the next edition of our book.
另外注意，网址太长，太也不要随便的回车换行，否则各种错。另外html_table会出现关闭不用的网址链接的警告，无碍事的。
我们进入网址：
其中我们真正感兴趣的是如下这个表
read_html函数返回的应该是经过pars的，但具体的细节我还没那么清晰
heritage_parsed <- read_html("http://en.wikipedia.org/wiki/List_of_World_Heritage_in_Danger", encoding = "UTF-8")# str(heritage_parsed)#我曾经尝试将heritage_parsed写到本地文件，但是失败了#无法将list通过cat()输入到本地，查阅了sof，但是还是没有解决
#从heritage_parsed中取出所有的表格tables <- html_table(heritage_parsed, fill = TRUE)#所以，我怎么知道这是第二个表格呢？danger_table <- tables[[2]]#查看表格的列名names(danger_table)# [1] "Name" "Image" "Location"# [4] "Criteria" "Area\nha (acre)" "Year (WHS)"# [7] "Endangered" "Reason" "Refs"
#感兴趣的只有表格中的1, 3, 4, 6, 7列#名字、位置、标准分类、申遗成功时间、何时定为处于危险的时间#覆盖掉原来的表格danger_table <- danger_table[, c(1, 3, 4, 6, 7)]#为了更方便，对列重命名，colnames(danger_table) <- c("name", "locn", "crit", "yins", "yend")#取几个遗产的名字查看下danger_table$name[1:3]
数据的初步整理和清洗
#str_detect是stringr包中的函数#用于在前一个参数中按照后一个参数的规则查找是否存在特定字符#返回值是逻辑值向量#对crit列按照自然和人文遗产重新编码#Natural景观遗产编码为nat，否则为culture，即culdanger_table$crit <- ifelse(str_detect(danger_table$crit, "Natural") ==TRUE,"nat","cult")
注意，其中str_detect是stringr包中的函数，看一个例子(反正大家帮助文档随查随用么)
fruit <- c("apple", "banana", "pear", "pinapple")str_detect(fruit, "a")# [1] TRUE TRUE TRUE TRUE
我们可以看到yins的时间是xxxx-的格式，大部分是2001-，有些甚至是1993–2007, 2010-
我们只取第一次的吧
# 将申遗成功时间转为数值类型danger_table$yins <- as.numeric(danger_table$yins)#按照正则表达式取出（我们只取出濒危时间，去掉横杠，并转化为数值型)yend_clean <- unlist(str_extract_all(danger_table$yend, "[[:digit:]]4$"))
实际上，上述正则表达式并不OK，得到的是空字符串，所以，我只好自己修改了
yend_clean1 <- unlist(str_extract_all(danger_table$yend, "\\d{4}-"))yend_clean <- unlist(str_extract_all(yend_clean1, "\\d{4}"))length(yend_clean)length(danger_table$yend)danger_table$yend <- as.numeric(yend_clean)danger_table$yend[1:3]#[1] 2001 1992 2013
str_extract_all也是stringr包中的函数，看个例子，自己体会~
str_extract_all函数的返回值是一个list，所以要unlist
shopping_list <- c("apples x4", "bag of flour", "bag of sugar", "milk x2")str_extract(shopping_list, "\\d")# [1] "4" NA NA "2"str_extract(shopping_list, "[a-z]+")# [1] "apples" "bag" "bag" "milk"str_extract_all(shopping_list, "[a-z]+")# [[1]]# [1] "apples" "x"## [[2]]# [1] "bag" "of" "flour"## [[3]]# [1] "bag" "of" "sugar"## [[4]]# [1] "milk" "x"
位置列中的信息相对比较杂乱，我们还是要整理
danger_table$locn[c(1, 3, 5)][1] "EgyAbusir, Egypt30°50′30″N 29°39′50″E / 30.84167°N 29.66389°E / 30.84167; 29.66389 (Abu Mena)"[2] "Syria !Aleppo Governorate, Syria36°14′0″N 37°10′0″E / 36.23333°N 37.16667°E / 36.23333; 37.16667 (Ancient City of Aleppo)"[3] "Syria !Damascus Governorate, Syria33°30′41″N 36°18′23″E / 33.51139°N 36.30639°E / 33.51139; 36.30639 (Ancient City of Damascus)"
仔细观察，表格，其实已经给出了经纬度，这是我们需要的参数，点击还能显示地图哦~
再认真看一下1、2、3行的数据
我们可以发现30°50′30″N 29°39′50″E / 30.84167°N 29.66389°E / 30.84167; 29.66389不过是三种不同的经纬度书写格式而已。
这里我们对最后一种展示格式找出其一般规律使用正则表达式
#正则表达式
reg_y <- "[/][ -]*[[:digit:]]*[.]*[[:digit:]]*[;]"reg_x <- "[;][ -]*[[:digit:]]*[.]*[[:digit:]]*"
其实[[:digit:]]应该等价于\\d吧?
[/][ -]*\\d*[.]*\\d*[;]
第一段：以反斜杠/开头，或者以空格和横杠-开头，第二段：任意多个的数字
第三段：一个点分割
第四段：以分号结尾
下面再去掉无关的字符
y_coords <- str_extract(danger_table$locn, reg_y)y_coords[1] "/ 30.84167;" "/ 18.283;" "/ 36.23333;"[4] "/ 32.51806;" "/ 33.51139;" "/ 36.33417;"[7] "/ 32.82500;" "/ 32.63833;" "/ 32.80528;"[10] "/ 35.45667;" "/ 42.26222;" "/ 17.317;"[13] "/ -8.11111;" "/ 31.70444;" "/ 9.167;"[16] "/ 11.417;" "/ 34.78167;" "/ 34.83194;"[19] "/ -11.68306;" "/ 25.317;" "/ 9.55389;"[22] "/ 4.000;" "/ 35.58806000;" "/ 39.05000;"[25] "/ 14.200;" "/ -20.20833;" "/ -2.500;"[28] "/ 53.40667;" "/ 9.000;" "/ 34.39667;"[31] "/ 42.66111;" "/ 7.600;" "/ 6.83972;"[34] "/ 13.000;" "/ 2.000;" "/ 31.77667;"[37] "/ 15.35556;" "/ 30.13333;" "/ 13.90639;"[40] "/ 15.92694000;" "/ -14.467;" "/ 15.74444;"[43] "/ 24.83333;" "/ -8.95778;" "/ -2.000;"[46] "/ 34.200;" "/ 13.183;" "/ 34.55417;"[49] "/ 16.77333;" "/ 16.2893333;" "/ 0.32917;"[52] "/ -2.500;" "/ 0.917;" "/ 31.71972;"
怪了，为什么会出现-呢？经纬度还有负的？如果是分隔符也不该采用啊
查阅之后得到：
负纬度表示位于南半球（S）的位置而负经度表示西半球（W）的位置.所以我们上面的正则不是横杠，是负号
#截取和加入到表中
y_coords <- as.numeric(str_sub(y_coords, 3, -2))danger_table$y_coords <- y_coords
其中str_sub(y_coords, 3, -2)的意思是，从第三个字符开始截取，到倒数第二个结束(保留必要的精度吧2)
另一个同理
x_coords <- str_extract(danger_table$locn, reg_x)x_coords <- as.numeric(str_sub(x_coords, 3, -1))danger_table$x_coords <- x_coordsdanger_table$locn <- NULLnames(danger_table)# [1] "name" "crit" "yins" "yend" "y_coords"# [6] "x_coords"round(danger_table$y_coords, 2)[1:3]round(danger_table$x_coords, 2)[1:3]
其中danger_table$locn <- NULL是删除danger_table中的locn列
round(danger_table$y_coords, 2)的作用是取小数点后两位，这里只是起到了查看的作用，并没有影响表中的数据
#查看维度dim(danger_table)head(danger_table)
（维度和课本不一致很正常，可能是维基百科又更新了一些濒危的名单）
下面就对其进行制图啦，看看这些不同的遗产
#对人文和自然景观设置不同的点的形状pch <- ifelse(danger_table$crit == "nat", 10, 11)#对分属人文和自然景观的遗产设置不同的颜色参数cols <- ifelse(danger_table$crit == "nat", 'deepskyblue4', 'brown1')#嗯，输入到本地文件，免得RStudio的绘图窗口太小#注意宽高的调整png("d:\\map.png",width = 1300, height = 720)map("world", col = "maroon",lwd = 0.5,mar = c(0.1, 0.1, 0.1, 0.1),bg='seashell')points(danger_table$x_coords,danger_table$y_coords,pch = pch,col=cols,cex=1.2,lwd=1.3)#添加图例#leg.txt中设置的是图例文本leg.txt <- c("Natural", "Cultural")#当取x=0,y=0的时候是位于图正中央#text.col设置图例文字颜色#cex设置图例区域大小legend("topright", leg.txt, horiz = TRUE,pch=c(10, 11),col = c('deepskyblue4', 'brown1'),text.col=c('deepskyblue4', 'brown1'),cex =2.3)#box是边框，其样式lty的参数有点意思哈box(lty='1373', lwd =5,col = 'red')#关闭输出设备dev.off()
图如下：
啊，果然还是非洲穷啊，没有经费保护？所以说呢，不要有大量的资金可以申遗，却没有资金去维护啊。
频数表
table(danger_table$crit)## cult nat# 37 17
为什么人文的遗产濒危的更多一些？也许是传承出现了问题吧.....自然的变化，相对是缓慢的UI吧？
library(RColorBrewer)cols1=brewer.pal(8,'Set3')par(bg='lightcyan')hist(danger_table$yend,freq = TRUE,xlab = "Year when site was put on the list of endangered sites",col=cols1,border = cols1,main = "")
为什么2000年后反而多起来了？有意思，其实可以看看自然和人文景观各自的濒危情况随着时间的变化的
cols2=brewer.pal(8,'Paired')par(bg='lightcyan')hist(danger_table$yend,freq = TRUE,density = TRUE,xlab = "Year when site was put on the list of endangered sites",col=cols2,main = "")
好了好了，我们只是做个试验示例对不对？具体的挖掘，留待以后吧。
苍茫大海，旅鼠它来！
