R で Web ページのコンテンツを読み取って解析するにはどうすればよいですか

Question

URL の内容を読みたいのですが (例: http://www.haaretz.com/）Rで。どうすればできるのか気になります

Answer 1

それは本当に厄介ですので、あなたは、そのページをどのように処理するか、

本当にわかりません。我々はhref="https://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags"> の中で再学びましたそれは、HTMLに正規表現を行うには良いアイデアではありませんので、あなたは間違いなくXMLパッケージでこれを解析することになるでしょう。

ここであなたが始めるために例を示します。

require(RCurl)
require(XML)
webpage <- getURL("http://www.haaretz.com/")
webpage <- readLines(tc <- textConnection(webpage)); close(tc)
pagetree <- htmlTreeParse(webpage, error=function(...){}, useInternalNodes = TRUE)
# parse the tree by tables
x <- xpathSApply(pagetree, "//*/table", xmlValue)  
# do some clean up with regular expressions
x <- unlist(strsplit(x, "\n"))
x <- gsub("\t","",x)
x <- sub("^[[:space:]]*(.*?)[[:space:]]*$", "\\1", x, perl=TRUE)
x <- x[!(x %in% c("", "|"))]

この（いくつかのjavascriptと一緒に）ほとんどがちょうどWebページのテキストの文字ベクトルになります：

> head(x)
[1] "Subscribe to Print Edition"              "Fri., December 04, 2009 Kislev 17, 5770" "Israel Time: 16:48 (EST+7)"           
[4] "  Make Haaretz your homepage"          "/*check the search form*/"               "function chkSearch()" 

Answer 2

最善の策は XML パッケージかもしれません -- たとえばこれを参照してください 前の質問.

Answer 3

私はあなたがR.を求め知っているしかし、おそらくのpython + beautifullsoupはここに前方の方法ですか？そして、Rとあなたの分析はあなたがbeautifullsoupで画面を掻き取っているのですか？