R语言读取网站文件

最新推荐文章于 2022-05-01 22:21:46 发布

ronghuilin

最新推荐文章于 2022-05-01 22:21:46 发布

阅读量3.3k

点赞数

分类专栏： R语言文章标签： R语言网站数据

本文链接：https://blog.csdn.net/ronghuilin/article/details/54171564

版权

一、readLine()

readLine()读取web网页文本文件。读取法国巴黎第七大学首页html前十行。

> urlinternetaddr='http://www.univ-paris-diderot.fr/sc/site.php?bc=accueil&np=accueil'
> dlist1=readLines(urlinternetaddr,n=10)
> dlist1
[1] "<!DOCTYPE HTML PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\""
[2] "\"http://www.w3.org/TR/html4/loose.dtd\">"
[3] "<html lang=\"fr\">"
[4] "<HEAD>"
[5] "<script type=\"text/javascript\" src=\"http://www.univ-paris-diderot.fr/fancyBox/lib/jquery-1.8.2.min.js\"></script>"
[6] "\t"
[7] "\t<script type=\"text/javascript\" src=\"http://www.univ-paris-diderot.fr/fancyBox/source/jquery.fancybox.js?v=2.1.3\">"
[8] "    </script>"
[9] "\t<link rel=\"stylesheet\" type=\"text/css\" href=\"http://www.univ-paris-diderot.fr/fancyBox/source/jquery.fancybox.css?v=2.1.2\" media=\"screen\" />        "
[10]"\t <script type=\"text/javascript\" src=\"./js/jquery.diaporama.js\"></script>"

显然，我们在这里找不到想要的内容，例如招生信息。在这种情况下，最常规的方法是增加样本容量，将n=10改为n=50。

> dlist2=readLines(urlinternetaddr,n=50)
> dlist2
[1] "<!DOCTYPE HTML PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\""
[2] "\"http://www.w3.org/TR/html4/loose.dtd\">"
[3] "<html lang=\"fr\">"
[4] "<HEAD>"
[5] "<script type=\"text/javascript\" src=\"http://www.univ-paris-diderot.fr/fancyBox/lib/jquery-1.8.2.min.js\"></script>"
[6] "\t"
[7] "\t<script type=\"text/javascript\" src=\"http://www.u