http://www.forfreezone.com

R语言从小木虫网页批量提取考研调剂信息

风度翩翩、从UENVISIONL读取并回到html树

    1.1 Rcurl包

       使用LX570curl包能够渔人之利的向服务器发出诉求,捕获UENVISIONI,get 和 post 表单。比揽胜极光 socktet连接要提供越来越高品位的彼此,而且帮忙FTP/FTPS/TFTP,SSL/HTTPS,telnet 和cookies等。本文用到的函数是basicTextGatherer和getU翼虎L。想详细了然这么些包的能够点击参照他事他说加以考察资料的链接。

        R命令:

        h <- basicTextGatherer( )   # 查看服务器再次来到的头新闻
        txt <- getURL(url, headerfunction = h$update,.encoding="UTF-8...")  # 重返字符串方式html

       参数url即为须求探问的url这里参数用headerfunction用到上一条命令归来的头新闻,.encoding内定网页的编码方式为“UTF-8"。

       网页的编码情势有广大,日常采纳UTF-8,一些中文网页编码格局为“gbk",能够在浏览器的网页代码查看或然getU宝马X5L重临的字符串见到。

       小木虫网页代码查看

                                  图片 1

      可以看到小木虫网页编码形式为gbk。

     1.2  XML包

       哈弗语言XML包 具备读取也许创立XML(HTML)文件的效率,可以当麻芋果件也支撑HTTP 或许 FTP ,也提供Xpath(XML路线语言卡塔尔(قطر‎深入剖判方法。此处函数htmlparse,将文件深入分析为XML可能HTML树,便于进一层数据的领到或然编辑。

        R命令:

        htmlParse(file,asText=T,encoding="UTF-8"...) #参数file 即为XML可能HTML文件名大概text,asText参数是T钦赐file是text,encoding钦赐网页编码情势。

 

       这里我们必要读取网页,况兼得到该网页的html树内容

        自定义函数download,输入strU凯雷德L,strUEnclaveL为网站,再次回到html树内容

            download <- function(strURL){
              h <- basicTextGatherer( )# 查看服务器再次回到的头音信
              txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串方式
               htmlParse(txt,asText=T,encoding="gbk")      #筛选gbk进行网页的剖释
             }

二、拿到一个网页全数的U大切诺基L

    有的时候候我们必要步入种种网页上的子链接取分析数据,那时能够用到XML包的getHTMLLinks函数。

    R命令:

        getHTMLLinks(doc,  xpQuery = "//a/@href"...) #doc为分析后的HTML树文件,xpQuery钦定想相配的Xpath成分(上边会详细讲一点Xpath根基卡塔尔国。

    此处大家必要得到小木虫“导师招生”页面下的具备话题链接。

    2.1 首先大家要拿到导师招生的率先页,第二页,第三页,以至到终极生龙活虎页的网站。

        导师招生首页

                        图片 2

       导师招生第二页,第三页。

                      图片 3

                   图片 4

        开掘首页网址是  +   第几页   +.html 

        于是网站大家能够手动编辑。

        strURLs=""

        n=50

        strURLs <- c(strURLs,paste(rep("""))

        strU君越Ls包蕴了有着1到50页导师招生网页的网站。

    2.2得到每意气风发页导师招生里面多个话题的链接

             

        在教师招生页面下,有成都百货上千话题,大家须要拿到各类话题的链接。

        用getHTMLLinks函数查看导师招生里面有着URubiconL,再对照话题网站。

 

        图片 5

       

        开采话题网站是构成成分是 + html/201702/11075436.html 类似的URL

        那时候笔者动用先从事教育工作师的天禀招生网页提取全数UKoleosL,再相配 html * .html格式的UWranglerL,最终再前边加上 的策略。

        自定义greg函数用王宛平则相配,何况获得相配到的字符串。
            greg <- function(pattern,istring){
                gregout <- gregexpr(pattern,istring)   #pattern为同盟形式,istring为待相配的字符串
                substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
             }

         自定义extradress函数,用于提取strUXC60L网页的中的 UKoleosL ,最终管理回来各类话题网页的链接。

            extradress <- function(strURL){
                 prefix <- ""
                 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树中获得大家所要的数目

    3.1 XML文书档案基本知识

    上边是小木虫的风华正茂对html:

 

    图片 6

 

   html为根成分,head和body是html的子元素,div是body的子成分,div有质量id,style,属性后边对应着属性值。“小木虫---“大器晚成行是p成分的文件内容。

    3.2 获得有个别元素的内容

       此处用到XML包中的getNodeSet函数,getNodeSet函数

        R命令:

        getNodeSet(doc, path...) #doc 便是html树文件对象,path 就是因素路线。能够用/从根成分大器晚成稀世钦命路径,也得以用//直接定位到某风华正茂层成分。

        举例要定位到html下的body下的div,path 即为/html/body/div,也可//body/div直接从body伊始稳固。再次回到列表,要是一定到四个成分,将再次回到八个因素的列表。此番大家要定为到网页的话题内容:

 

                      图片 7

     大家那边一向定位到p成分,再从列表中挑选。

     先输入指令

      getNodeSet(doc,'//p')

 

      图片 8

 

      getNodeSet(doc,'//p')[[2]]正是咱们须要的剧情。

 

      图片 9

     

      不过回去的结果是个目的,要扭转为字符串要用到函数xmlValue得到成分值。

       xmlValue(x...) # x正是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、从小木虫获取调剂新闻实例

    小编师妹是生物正式的内需调治将养的学习者,今后亟待从小木虫网址提取别人揭橥的音信,做成一个表格方式,便于筛选查看和发送邮件。

   以下是全体代码内容

 

library(RCurl)
library(XML)

download <- function(strURL){
    h <- basicTextGatherer()# 查看服务器重返的头音信
    txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串格局
    htmlParse(txt,asText=T,encoding="gbk")      #选料gbk实行网页的解析
}

extradress <- function(strURL){
  prefix <- ""
  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_.%]+@[-A-Za-z0-9_.%]+\.[A-Za-z]+[.A-Za-z]*"
    #相称@163.com类照旧@abc.edu.cn两类邮箱
pattern4 <- "[u4E00-u9FA5]+老师"  #合作某先生
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})?" #合营联系人和数码
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_.%]+@[-A-Za-z0-9_.%]+\.[A-Za-z]+[.A-Za-z]*" #标准匹配邮箱

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=""
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("""))
output1 <- "a2017.2.21.txt" #未处理数据,用于进一层管理
output2 <- "b2017.2.21.txt" #非常筛选的数额,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 = output1, row.names = F, col.names=F,quote = F, sep="t")  # tab 分隔的公文
message("完成!")

dat <- read.table(output1,sep="t",header=T)
dat <- dat[dat$邮箱, ] #除去未有邮箱数据
dat <- dat[!duplicated(dat$邮箱), ]  #去除重复邮箱数据
dat$index <- as.numeric(rownames(dat))
dat <- dat[order(dat$index,decreasing=F),] #将乱序后的数码重复依照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!")

 

 

最后祝全数考研人都能学有所成被深爱的学府选择!

 

 

参照他事他说加以考察资料:

Rcurl包 :

XML包:

XML基本知识:

 

郑重声明:本文版权归澳门新葡8455最新网站所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。