R 網頁數據爬蟲1

来源:http://www.cnblogs.com/keyao/archive/2016/10/07/5935293.html
-Advertisement-
Play Games

For collecting and analyzing data. 【啟示】本處所分享的內容均是筆者從一些專業書籍中學習所得,也許會有一些自己使用過程中的技巧、心得、小經驗一類的,但遠比不上書中所講述的精彩翔實。只因自己在學習過程中深感在R爬蟲應用中互聯網可搜索的公開資源並不如其它知識豐富,特此稍 ...


For collecting and analyzing data.

【啟示】本處所分享的內容均是筆者從一些專業書籍中學習所得,也許會有一些自己使用過程中的技巧、心得、小經驗一類的,但遠比不上書中所講述的精彩翔實。只因自己在學習過程中深感在R爬蟲應用中互聯網可搜索的公開資源並不如其它知識豐富,特此稍作分享以供後來者鑒,也因此關於這一塊的內容不做原創聲明,歡迎朋友們一起交流學習、批評指正,以期共同進步。EMAIL:[email protected]

1.WHY R?

即使對於非專業人員而言,也多少耳聞目前的R在爬蟲應用的表現也遠不如其它軟體,R既非專業適合的軟體、而八爪魚一類的簡單應用也完全可以滿足我們這些"偶爾的用戶",那麼為什麼需要用R爬蟲呢?我認為每一個來搜索R爬蟲技巧的朋友都有自己的答案。

提醒幾個個優勢:

#1.FOR a software environment with a primarily statistical focus.

#2.there will be an amazing visual work.

#May be a complete set of operational procedures.

2.About basics.

we need threw ourselves into the preparation with some basic knowledge of HTML, XML and the logic of regular expressions and Xpath, BUT the operations are executed from WIHTIN R!

3.RECOMMENDATION

http://www.r-datacollection.com

4.A little case study.

#爬取電影票房信息
library(stringr)
library(XML)
library(maps)
#htmlParse()用來interpreting HTML
#創建一個object
movie_parsed<-htmlParse("http://58921.com/boxoffice/wangpiao/20161004",
                        encoding = "UTF-8")
#the next step:extract tables/data
#readHTMLTable() for identifying and reading out those tables
tables<-readHTMLTable(movie_parsed,stringsAsFactors=FALSE)
is.matrix(tables)
is.character(tables)
is.data.frame(tables)
is.list(tables)
#so we got an "list" format#

 

因為R對於中文的支持不是很好,所以碰到一些中文亂碼是正常的,所以我們需要more advanced text manipulation tools.(本例中出現了部分列信息的完全丟失是因為該網站的某些列的數據是以.png格式放置的。)

5.ABC's of...

For browsing the Web, there is a hidden standard behind the scenes that structures how information is displayed.

#HTML or the hypertext markup language

Not a dedicated data storage format, but usually contains the useful information. And in general HTML is used to shape the display of information.

#XML the extensible markup language or XML

The main purpose of XML is to storage data. Thus HTML documents are interpreted and transformed in to pretty-looking output by browsers, whereas XML is "just" data wrapped in user-defined tags. The user-defined tags make XML much more flexible for storing data than HTML. Both HTML and XML-style document offer natrual, often hierarchical, structures for data storage. 

(unfinished......)

#JSON or JavaScript Object Notation

基於JavaScript語言的輕量級的數據交換格式

#AJAX or "Asynchronous JavaScript and XML"

____________________________________________________________________________________________

HTTP R
XML/HTML XPath
JSON JSON parsers
AJAX Selenuim
Plain text                Regular expressions

 


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 題目鏈接 http://acm.hdu.edu.cn/showproblem.php?pid=5925 Problem Description TanBig, a friend of Mr. Frog, likes eating very much, so he always has dreams ...
  • 一、安裝VS2013,下載wpdpack,為VS2010配置WinpCap環境: ⑴首先在View中選擇Property Manager,然後展開工程,再展開Debug|Win32 ,接著右擊 Mircrosoft.Cpp.Win32.user選擇Properties(此處設置全局有效) ⑵之後分三 ...
  • 現在我們要做這麼一個媒體庫,用來存放CD和DVD。可以往媒體庫里添加CD和DVD,還可以列出來媒體庫里所有的CD和DVD。 我們用到了繼承的概念:CD是一個對象,DVD也是。兩者又有很多相似的地方,比方說都有名字,播放時間,評論,等等,為了以後便於管理和調試,我們做了一個父類叫Item,它下麵有兩... ...
  • 以現有的同類對象進行初始化類的對象,或者通過按值傳遞方式給函數傳遞對象,調用預設複製構造函數。 當賦值語句的左邊和右邊是同類類型的對象時,調用預設賦值運算符。 ...
  • iOS 10 新規定,在取用相機,相簿,聯絡資訊,麥克風需要在 Info.plist 加入指定的 key,否則閃退: Info.plist ...
  • Netbeans 8.2在這個國慶期間終於發佈了,其與PHP相關的新特性主要有: 支持PHP 7 詳見前面翻譯的一篇文章: "Netbeans 8.2將支持PHP 7" 編輯器功能增強 文檔好像沒有明確說明,我也還沒有發現。 PHP項目支持自定義註解 操作如下圖: 然後,當你在編寫代碼註解時,就可以 ...
  • C++類中的虛表結構是C++對象模型中一個重要的知識點,這裡咱們就來深入分析下虛表的在記憶體中的結構。 C++一個類中有虛函數的話就會有一個虛表指針,其指向對應的虛表,一般一個類只會有一個虛表,每個虛表有多個”插槽”,每個插槽存放一個虛函數的地址。插槽中的內容可以被覆蓋,子類如果重寫了父類中的虛函數, ...
  • 代碼如下: import java.util.Enumeration; import java.util.Iterator; import java.util.Map; import java.util.Map.Entry; import java.util.Properties; import j... ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...