Como posso ler e analisar o conteúdo de uma página da Web no R
-
12-09-2019 - |
Pergunta
Eu gostaria de ler o conteúdo de uma URL (eq, http://www.haaretz.com/ ) na R. Eu estou querendo saber como posso fazê-lo
Solução
Não tenho certeza como você deseja processar a página, porque é realmente confuso. Como nós re-aprendeu nesta famosa pergunta stackoverflow , não é uma boa idéia para fazer regex em html, então você certamente vai querer analisar isso com o pacote XML.
Aqui está um exemplo para você começar:
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("", "|"))]
Isso resulta em um vetor de caracteres de texto na maior parte apenas webpage (juntamente com alguns javascript):
> head(x)
[1] "Subscribe to Print Edition" "Fri., December 04, 2009 Kislev 17, 5770" "Israel Time:Â 16:48Â (EST+7)"
[4] "Â Â Make Haaretz your homepage" "/*check the search form*/" "function chkSearch()"
Outras dicas
Sua melhor aposta pode ser o pacote XML - ver, por exemplo, este pergunta anterior .
Eu sei que você pediu R. Mas talvez python + beautifullsoup é o caminho a seguir aqui? Em seguida, fazer a sua análise com R de ter raspado a tela com beautifullsoup?