Scraping tabelle html in frame di dati R utilizzando il pacchetto XML


153

Come posso raschiare le tabelle html usando il pacchetto XML?

Prendi, ad esempio, questa pagina di Wikipedia sulla squadra di calcio brasiliana . Vorrei leggerlo in R e ottenere la tabella "elenco di tutte le partite che il Brasile ha disputato contro le squadre riconosciute dalla FIFA" come data.frame. Come posso fare questo?


11
Per capire i selettori xpath, dai un'occhiata a selectorgadget.com/ - è fantastico
hadley,

Risposte:


144

... o un tentativo più breve:

library(XML)
library(RCurl)
library(rlist)
theurl <- getURL("https://en.wikipedia.org/wiki/Brazil_national_football_team",.opts = list(ssl.verifypeer = FALSE) )
tables <- readHTMLTable(theurl)
tables <- list.clean(tables, fun = is.null, recursive = FALSE)
n.rows <- unlist(lapply(tables, function(t) dim(t)[1]))

la tabella scelta è la più lunga della pagina

tables[[which.max(n.rows)]]

La guida readHTMLTable fornisce anche un esempio di lettura di una tabella di testo semplice da un elemento PRE HTML utilizzando htmlParse (), getNodeSet (), textConnection () e read.table ()
Dave X

48
library(RCurl)
library(XML)

# Download page using RCurl
# You may need to set proxy details, etc.,  in the call to getURL
theurl <- "http://en.wikipedia.org/wiki/Brazil_national_football_team"
webpage <- getURL(theurl)
# Process escape characters
webpage <- readLines(tc <- textConnection(webpage)); close(tc)

# Parse the html tree, ignoring errors on the page
pagetree <- htmlTreeParse(webpage, error=function(...){})

# Navigate your way through the tree. It may be possible to do this more efficiently using getNodeSet
body <- pagetree$children$html$children$body 
divbodyContent <- body$children$div$children[[1]]$children$div$children[[4]]
tables <- divbodyContent$children[names(divbodyContent)=="table"]

#In this case, the required table is the only one with class "wikitable sortable"  
tableclasses <- sapply(tables, function(x) x$attributes["class"])
thetable  <- tables[which(tableclasses=="wikitable sortable")]$table

#Get columns headers
headers <- thetable$children[[1]]$children
columnnames <- unname(sapply(headers, function(x) x$children$text$value))

# Get rows from table
content <- c()
for(i in 2:length(thetable$children))
{
   tablerow <- thetable$children[[i]]$children
   opponent <- tablerow[[1]]$children[[2]]$children$text$value
   others <- unname(sapply(tablerow[-1], function(x) x$children$text$value)) 
   content <- rbind(content, c(opponent, others))
}

# Convert to data frame
colnames(content) <- columnnames
as.data.frame(content)

Modificato per aggiungere:

Uscita campione

                     Opponent Played Won Drawn Lost Goals for Goals against  % Won
    1               Argentina     94  36    24   34       148           150  38.3%
    2                Paraguay     72  44    17   11       160            61  61.1%
    3                 Uruguay     72  33    19   20       127            93  45.8%
    ...

7
Per chiunque altro che ha la fortuna di trovare questo post, questo script probabilmente non eseguito a meno che l'utente aggiunge le loro informazioni "User-Agent", come descritto in questo altro post utile: stackoverflow.com/questions/9056705/...
Rguy

26

Un'altra opzione che utilizza Xpath.

library(RCurl)
library(XML)

theurl <- "http://en.wikipedia.org/wiki/Brazil_national_football_team"
webpage <- getURL(theurl)
webpage <- readLines(tc <- textConnection(webpage)); close(tc)

pagetree <- htmlTreeParse(webpage, error=function(...){}, useInternalNodes = TRUE)

# Extract table header and contents
tablehead <- xpathSApply(pagetree, "//*/table[@class='wikitable sortable']/tr/th", xmlValue)
results <- xpathSApply(pagetree, "//*/table[@class='wikitable sortable']/tr/td", xmlValue)

# Convert character vector to dataframe
content <- as.data.frame(matrix(results, ncol = 8, byrow = TRUE))

# Clean up the results
content[,1] <- gsub(" ", "", content[,1])
tablehead <- gsub(" ", "", tablehead)
names(content) <- tablehead

Produce questo risultato

> head(content)
   Opponent Played Won Drawn Lost Goals for Goals against % Won
1 Argentina     94  36    24   34       148           150 38.3%
2  Paraguay     72  44    17   11       160            61 61.1%
3   Uruguay     72  33    19   20       127            93 45.8%
4     Chile     64  45    12    7       147            53 70.3%
5      Peru     39  27     9    3        83            27 69.2%
6    Mexico     36  21     6    9        69            34 58.3%

Ottima chiamata sull'uso di xpath. Punto minore: puoi semplificare leggermente l'argomento path cambiando // * / in //, ad es. "// table [@ class = 'wikitable sortable'] / tr / th"
Richie Cotton

Viene visualizzato un messaggio di errore "Gli script devono utilizzare una stringa informativa utente-agente con le informazioni di contatto, oppure possono essere bloccati IP senza preavviso." [2] "Esiste un modo per attuare questo metodo?
pssguy,

2
opzioni (RCurlOptions = list (useragent = "zzzz")). Vedi anche la sezione "Runtime" di omegahat.org/RCurl/FAQ.html per altre alternative e discussioni.
apprese il

25

L' rvestinsieme xml2è un altro pacchetto popolare per analizzare le pagine web HTML.

library(rvest)
theurl <- "http://en.wikipedia.org/wiki/Brazil_national_football_team"
file<-read_html(theurl)
tables<-html_nodes(file, "table")
table1 <- html_table(tables[4], fill = TRUE)

La sintassi è più facile da usare rispetto al xmlpacchetto e per la maggior parte delle pagine Web il pacchetto fornisce tutte le opzioni di cui ha bisogno.


Il read_html mi dà l'errore "'file: ///Users/grieb/Auswertungen/tetyana-snp-2016/data/snp-nexus/15/SNP%20Annotation%20Tool.html' non esiste nella directory di lavoro corrente (' / utenti / Grieb / Auswertungen / Tetyana-SNP-2016 / code ')."
scs
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.