使用R实现网页抓取的实践指南

最新推荐文章于 2024-07-26 10:08:24 发布

网络数据杂谈

最新推荐文章于 2024-07-26 10:08:24 发布

阅读量2k

点赞数 2

文章标签： r语言开发语言 Powered by 金山文档

原文链接：https://brightdata.com/blog/how-tos/web-scraping-with-r#pre-self

版权

在本教程中，我们将展示以从亚马逊网站的一个可公开访问的URL 中提取产品评论为目标，使用R的rvest（R用户使用率最高的爬虫包）进行网络抓取所涉及的所有步骤。

摘要由CSDN通过智能技术生成

使用R语言进行网页抓取的入门

第一步：了解我们将在本教程中使用的工具。

了解工具：R 和 rvest

R是一种功能丰富且易于使用的语言，它可以用于统计分析和数据可视化，为数据整理和动态类型提供有用的工具。

rvest——来自英文单词“harvest”（收割）——是提供网络抓取功能的最流行的爬虫包之一，这也要归功于其极其友好的用户界面。Vanilla rvest 仅允许用户从一个网页中提取数据，这非常适合起步阶段初学者的探索。之后可以使用polite库扩展它以实现抓取多个页面的需求。

设置开发环境

如果您尚未在RStudio 中使用过R语言，请按照此处的说明进行安装。

完成后，打开控制台并安装rvest：

install.packages("rvest")

作为tidyverse集合的一部分，官方建议使用集合中的其他包进一步扩展 rvest 的内置功能，例如用于代码可读性的magrittr或用于处理 HTML 和 XML 的xml2。可以通过直接安装 tidyverse 来做到这一点：

install.packages("tidyverse")

了解网页

网页抓取是一种在合规的自动化流程中从网站检索数据的技术。

由该定义从而产生了三个重要的考虑因素：

数据有多种格式。

不同的网站有各不相同的方式显示信息。

抓取的数据需要合法合规。

要了解如何从URL中抓取信息，首先需要了解网页内容是如何通过HTML 标记语言和 CSS 表单样式语言展示的。

HTML提供网页的内容和结构——加载到网络浏览器中以创建树状文档对象模型(DOM)——通过使用“标签”组织内容。

标签具有层次结构，每个标签都有一个特定的功能，应用于其开始() 和结束 () 语句中包含的所有内容：

<!DOCTYPE html>

▶<head>..</head>

▶<body class="a-aui_72554-c a-aui_accordion_a11y_role_354025-c a-aui_killswitch_csa_logger_372963-c a-aui_launch_2021_ally_fixes_392482-t1 a-aui_pci_risk_banner_210084-c a-aui_preload_261698-c a-aui_rel_noreferrer_noopener_309527-c a-aui_template_weblab_cache_333406-c a-aui_tnr_v2_180836-c a-meter-animate" style="padding-bottom: 0px;">..</body>

</html>

标签<html>是任何网页的最小组件，其中嵌套有<head>,和<body>标签。<head>和 <body> 本身是其他标签的“父母”，<div>（对于文档部分）和<p>（对于段落）是它们最常见的“孩子”。

在上面的代码片段中，可以看到与每个HTML“元素”关联的“属性”：lang、class和style是预先构建的；开头的属性data-是亚马逊自定义的。

class连同id属性对于网络抓取特别感兴趣，因为它们允许我们分别针对一组元素或其中的某个特定元素。这最初是为了在 CSS 中设置样式。

CSS 提供网页的样式。从着色到定位和调整大小，你可以选择任何HTML元素并为其样式属性分配新值。你还可以通过样式属性在HTML元素中内联应用CSS样式，如在上面的代码片段中所见：

在纯CSS 中，会被写作：

body {padding-bottom: 0px;}

在这里，主体是“选择器”，padding-bottom是“属性”，0px是“值”。

任何标签, class, 或者id可以被用作 CSS 选择器。

用户可以通过script标签通过JavaScript编程语言提供的功能与网页上显示的内容进行动态交互。在用户交互之后，显示的内容可能会发生变化，可能会出现新的内容；我们稍后会讨论到高级网络抓取工具可以模仿用户交互。