R语言从小木虫网页批量提取考研调剂信息

来源:互联网 时间:2017-02-23

一、从URL读取并返回html树

    1.1 Rcurl包

        使用Rcurl包可以方便的向服务器发出请求,捕获URI,get 和 post 表单。比R socktet连接要提供更高水平的交互,并且支持 FTP/FTPS/TFTP,SSL/HTTPS,telnet 和cookies等。本文用到的函数是basicTextGatherer和getURL。想详细了解这个包的可以点击参考资料的链接。

        R命令:

        h <- basicTextGatherer( )   # 查看服务器返回的头信息
        txt <- getURL(url, headerfunction = h$update,.encoding="UTF-8...")  # 返回字符串形式html

       参数url即为需要访问的url这里参数用headerfunction用到上一条命令返回的头信息,.encoding指定网页的编码方式为“UTF-8"。

       网页的编码方式有很多,一般采用UTF-8,一些中文网页编码方式为“gbk",可以在浏览器的网页代码查看或者getURL返回的字符串看到。

       小木虫网页代码查看

                                 

      可见小木虫网页编码方式为gbk。

     1.2  XML包

       R语言XML包 具有读取或者创建XML(HTML)文件的功能,可以本地文件也支持HTTP 或者 FTP ,也提供Xpath(XML路径语言)解析方法。此处函数htmlparse,将文件解析为XML或者HTML树,便于进一步数据的提取或者编辑。

        R命令:

        htmlParse(file,asText=T,encoding="UTF-8"...) #参数file 即为XML或者HTML文件名或者text,asText参数是T指定file是text,encoding指定网页编码方式。

 

       这里我们需要读取网页,并且拿到该网页的html树内容

        自定义函数download,输入strURL,strURL为网址,返回html树内容

            download <- function(strURL){
              h <- basicTextGatherer( )# 查看服务器返回的头信息
              txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串形式
               htmlParse(txt,asText=T,encoding="gbk")      #选择gbk进行网页的解析
             }

二、获得一个网页所有的URL

    有时候我们需要进入每个网页上的子链接取分析数据,这个时候可以用到XML包的getHTMLLinks函数。

    R命令:

        getHTMLLinks(doc,  xpQuery = "//a/@href"...) #doc为解析后的HTML树文件,xpQuery指定想匹配的Xpath元素(下面会详细讲一点Xpath基础)。

    此处我们需要获得小木虫“导师招生”页面下的所有话题链接。

    2.1 首先我们要获得导师招生的第一页,第二页,第三页,甚至到最后一页的网址。

        导师招生首页

                       

       导师招生第二页,第三页。

                     

                  

        发现首页网址是http://muchong.com/html/f430.html,余下的网址符合http://muchong.com/html/f430_  +   第几页   +.html 

        于是网址我们可以手动编辑。

        strURLs="http://muchong.com/html/f430.html"

        n=50

        strURLs <- c(strURLs,paste(rep("http://muchong.com/html/f430_",n),c(2:n),".html",sep=""))

        strURLs包括了所有1到50页导师招生网页的网址。

    2.2获得每一页导师招生里面多个话题的链接

             

        在导师招生页面下,有许多话题,我们需要获得各个话题的链接。

        用getHTMLLinks函数查看导师招生里面所有URL,再对比话题网址。

 

       

        http://muchong.com/html/201702/11075436.html

        发现话题网址是组成成分是http://muchong.com/ + html/201702/11075436.html 类似的URL

        这时我采用先从导师招生网页提取所有URL,再匹配 html * .html格式的URL,最后再前面加上http://muchong.com/ 的策略。

        自定义greg函数用于正则匹配,并且得到匹配到的字符串。
            greg <- function(pattern,istring){
                gregout <- gregexpr(pattern,istring)   #pattern为匹配模式,istring为待匹配的字符串
                substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
             }

         自定义extradress函数,用于提取strURL网页的中的 URL ,最后处理返回各个话题网页的链接。

            extradress <- function(strURL){
                 prefix <- "http://muchong.com/"
                 pattern <- "html/[0-9/]+.html"
                 links <- getHTMLLinks(strURL)
                 needlinks <- gregexpr(pattern,links)
                 needlinkslist <- list()
                for (i in which(unlist(needlinks)>0)){
                    preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
                    needlinkslist<- c(needlinkslist,list(preadress))
                   adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
                 }
                return (adresses)
                 }

     

三、从HTML树中获得我们所要的数据

    3.1 XML文档基本知识

    下面是小木虫的部分html:

 

   

 

   html为根元素,head和body是html的子元素,div是body的子元素,div有属性id,style,属性后面对应着属性值。“小木虫---“一行是p元素的文本内容。

    3.2 获得某个元素的内容

       此处用到XML包中的getNodeSet函数,getNodeSet函数

        R命令:

        getNodeSet(doc, path...) #doc 就是html树文件对象,path 就是元素路径。可以用/从根元素一层层指定路径,也可以用//直接定位到某一层元素。

        例如要定位到html下的body下的div,path 即为/html/body/div,也可//body/div直接从body开始定位。返回列表,如果定位到多个元素,将返回多个元素的列表。此次我们要定为到网页的话题内容:

 

                     

     我们这里直接定位到p元素,再从列表中筛选。

     先输入命令

      getNodeSet(doc,'//p')

 

     

 

      getNodeSet(doc,'//p')[[2]]就是我们需要的内容。

 

     

     

      但是返回的结果是个对象,要转变为字符串要用到函数xmlValue获得元素值。

       xmlValue(x...) # x就是getNodeSet得到的对象

       此处

  xmlValue(getNodeSet(a,'//p')[[2]]) 得到我们所要的内容


 


   此时,我们获得了每一个话题的内容,我们就可以从内容中提取有效信息,是否招调剂,大学名,导师名字,研究方向,联系人,邮箱,电话等。

四、从小木虫获取调剂信息实例

    我师妹是生物专业的需要调剂的学生,现在需要从小木虫网站提取别人发布的信息,做成一个表格形式,便于筛选查看和发送邮件。

   以下是全部代码内容

 

library(RCurl)
library(XML)

download <- function(strURL){
    h <- basicTextGatherer()# 查看服务器返回的头信息
    txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串形式
    htmlParse(txt,asText=T,encoding="gbk")      #选择gbk进行网页的解析
}

extradress <- function(strURL){
  prefix <- "http://muchong.com/"
  pattern <- "html/[0-9/]+.html"
  links <- getHTMLLinks(strURL)
  needlinks <- gregexpr(pattern,links)
  needlinkslist <- list()
  for (i in which(unlist(needlinks)>0)){
    preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
    needlinkslist<- c(needlinkslist,list(preadress))
    adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
  }
  return (adresses)
}

gettopic <- function(doc){
    xmlValue(getNodeSet(doc,'//p')[[2]])
}

greg <- function(pattern,istring){
    gregout <- gregexpr(pattern,istring)
    substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
}

getinf <- function(topic){
pattern1 <- "招[\u4E00-\u9FA5]+[0-9-]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*(研究生)|(调剂)"
pattern2 <- "([\u4E00-\u9FA5]*课题组|[\u4E00-\u9FA5]*团队)"  
pattern21 <- "[\u4E00-\u9FA5]*[:、;,,;]*(教授|博士)"
pattern3 <- "[\u4E00-\u9FA5]*[:、;,,;]*[-A-Za-z0-9_.%][email protected][-A-Za-z0-9_.%]+\\.[A-Za-z]+[.A-Za-z]*"
    #匹配@163.com类或者@abc.edu.cn两类邮箱
pattern4 <- "[\u4E00-\u9FA5]+老师"  #匹配某老师
pattern5 <- "[\u4E00-\u9FA5]*[::]*1[3,5,8]{1}[0-9]{1}[0-9]{8}|0[0-9]{2,3}-[0-9]{7,8}(-[0-9]{1,4})?" #匹配联系人和号码
pattern6 <- "(主|从事)*[\u4E00-\u9FA5]*(的研究|方向)为*[:、;,,;]*[\u4E00-\u9FA5]*"
pattern7 <- "[\u4E00-\u9FA5]+(大学|学院|研究院|研究所)"
pattern8 <-"[-A-Za-z0-9_.%][email protected][-A-Za-z0-9_.%]+\\.[A-Za-z]+[.A-Za-z]*" #精确匹配邮箱


cate <- greg(pattern1,topic)
proj <- greg(pattern2,topic)
PI <- greg(pattern21,topic)
email <- greg(pattern3,topic)
man <- greg(pattern4,topic)
phone <- greg(pattern5,topic)
direc <- greg(pattern6,topic)
univ <- greg(pattern7,topic)
print(cate)
if (greg("(分子|生物|植物|细胞|医学|动物|水)+",topic) !=""){
    if (man =="" && proj != ""){
        man <- unlist(strsplit(proj,"课题组")[1])
    }
 
    if (email != ""){
      email <- greg(pattern10,email)
    }
    
    data.frame("类别"=cate,"大学"=univ,"课题"=proj,"PI"=PI,"联系人"=man,"邮箱"=email,"方向"=direc,"电话"=phone)
}
else{
  return("")
}
}

strURLs="http://muchong.com/html/f430.html"
n=50
dat <- data.frame("URL"="URL","类别"="类别","大学"="大学","课题"="课题","PI"="PI","联系人"="联系人","邮箱"="邮箱","方向"="方向","电话"="电话")
strURLs <- c(strURLs,paste(rep("http://muchong.com/html/f430_",n),c(2:n),".html",sep=""))
output1 <- "a2017.2.21.txt" #未处理数据,用于进一步处理
output2 <- "b2017.2.21.txt" #进一步筛选的数据,用于查看

for ( strURL in strURLs){
    adresses <- extradress(strURL)
    for (adress in adresses){
      message(adress)
      doc <- download(adress)
      topic <- gettopic(doc)
      inf <- getinf(topic)
      if (inf != ""){
        URL <- data.frame("URL"=adress)
        inf <- cbind(URL,inf)
        dat<- rbind(dat,inf)
      }
    }
}

write.table(dat, file = output, row.names = F, col.names=F,quote = F, sep="\t")  # tab 分隔的文件
message("完成!")

dat <- read.table(output1,sep="\t",header=T)
dat <- dat[dat$邮箱, ] #去除没有邮箱数据
dat <- dat[!duplicated(dat$邮箱), ]  #去除重复邮箱数据
dat$index <- as.numeric(rownames(dat))
dat <- dat[order(dat$index,decreasing=F),] #将乱序后的数据重新按照index排序
dat$index <- NULL
write.table(dat, file = output2, row.names = F, col.names=F,quote = F, sep="\t")  # tab 分隔的文件
message("完成!")

 

 

最后祝所有考研人都能成功被心仪的学校录取!

 

 



参考资料:

Rcurl包 :https://cran.r-project.org/web/packages/RCurl/RCurl.pdf

XML包:https://cran.r-project.org/web/packages/XML/XML.pdf

XML基本知识:http://www.cnblogs.com/thinkers-dym/p/4090840.html

 

相关阅读:
Top