一、工具说明
- 火狐浏览器
- fireBug插件
- R软件
- revest包、stringr包
二、数据说明
想要获取链家网南京楼盘的信息,如:楼盘名称、地址、面积、是否在售、住宅性质、价格。最后在R里生成数据框
三、代码
Part1:加载包,rvest用于爬取数据、stringr处理字符串
# 加载包 ------------------------------------------
#加载rvest,没有则先安装后加载
tryCatch({
library(rvest)
}, error = function(e) {
print("No This Package")
},
finally = {
install.packages("rvest")
library(rvest)
})
library(stringr)
Part2:读取网页,求页数
想要获取该信息页数,如下图所示:
使用Firebug插件,很容易定位元素。
点击红框处图标,再点击黄框处10.自动定位元素位置,可以分析标签值等信息
# 读取网页,求页数 ----------------------------------------------------------------
url <- 'http://nj.fang.lianjia.com/loupan/'
web <- read_html(url)
#html_attr("page-data") 是从html_nodes('div.page-box')筛选出的标签中,查找page-data属性的值
page <-
web %>% html_nodes('div.page-box') %>% html_attr("page-data")
page_num <- str_extract(page, '[0-9]+')#取出字符串里面的数字,+表示可以是多位的
page_num <- as.numeric(page_num)
Part3:循环读取每页上所需要的信息
# 循环读取每页上所需要的信息---------------------------
#所需列
name = area = price = type = address = status = NULL
for (i in 1:page_num) {
#楼盘名称
name <- c(name,
web %>% html_nodes('div.info-panel') %>%
html_nodes('a') %>% html_text())
#地址
address <- c(
address,
web %>% html_nodes('div.info-panel') %>%
html_nodes('div.where') %>% html_nodes('span.region') %>%
html_text()
)
#面积
area_ass <-
web %>% html_nodes('div.info-panel') %>% html_nodes('div.area') %>% html_nodes('span') %>%
html_text()
area = c(area, str_extract(area_ass, '[0-9]+~[0-9]+|[0-9]+'))#找到形如11~12或者数字的字符串
price_ass <-
web %>% html_nodes('div.info-panel') %>% html_nodes('div.average') %>% html_nodes('span') %>%
html_text()
price = c(price, as.numeric(price_ass))
#房屋性质
type <- c(
type,
web %>% html_nodes('div.info-panel') %>%
html_nodes('div.type') %>% html_nodes('span.live') %>% html_text()
)
#是否在售
status <- c(
status,
web %>% html_nodes('div.info-panel') %>%
html_nodes('div.type') %>% html_nodes('span.onsold') %>% html_text()
)
house_data <-
data.frame(
name = name,
area = area,
price = price,
type = type,
address = address,
status = status,
stringsAsFactors = F
)
}
# Ending############################ --------------------------------------
四、结果
五、Ref
[1] 链家网地址
[2] 快速定位元素:http://jingyan.baidu.com/article/19192ad81ab005e53e5707d6.html
[3] 《rvest + CSS Selector 网页数据抓取的最佳选择 》
[4] 语言爬虫初尝试-基于RVEST包学习
[5] 标签含义速查网站
[6] R语言学习:使用rvest包抓取网页数据