R网络爬虫介绍

1、rvest介绍

 

网络爬虫是讲呈现在网页上以非结构格式（html）存储的数据转化为结构化数据的技术，该技术非常简单易用。

 

rvest是R用户使用率最多的爬虫包，它简洁的语法可以解决大部分的爬虫问题。

 

基本使用方法：

使用read_html读取网页；
通过CSS或Xpath获取所需要的节点并使用html_nodes读取节点内容；
结合stringr包对数据进行清理。
 

与Python的比较：

Python倾向于做大型爬虫，与R相比，语法相对复杂，因此Python爬虫的学习曲线会相对陡峭。
对于那些时间宝贵，又想从网上获取数据的初学者而言，用R做爬虫是最好的选择：
R语法相对直观，规则更加灵活；
对于数据量不大的用户来数（小于百万级），R也能够非常自如地处理；
先学习R爬虫，等熟悉爬虫的原理之后，在过渡到Python是很容易的。
 

rvest的项目主页：https://cran.r-project.org/web/packages/rvest/index.html

 

2、API介绍

 

读取与提取：

read_html( ) 读取html文档的函数
html_nodes( ) 选择提取文档中指定元素的部分
html_name( ) 提取标签名称；
html_text( ) 提取标签内的文本；
html_attr( ) 提取指定属性的内容；
html_attrs( ) 提取所有的属性名称及其内容；
html_table( ) 解析网页数据表的数据到R的数据框中；
html_form( ) 提取表单。
 

乱码处理：

guess_encoding( ) 用来探测文档的编码，方便我们在读入html文档时设置正确的编码格式
repair_encoding( ) 用