如何从链接列表中抓取 HTML 表格答案

【问题标题】：How to scrape HTML tables from a list of links如何从链接列表中抓取 HTML 表格
【发布时间】：2011-10-28 02:04:47
【问题描述】：

我正在尝试使用 XML 包抓取一些表格（选举数据）。浏览 SO，我发现了如何使用以下方法抓取单个 url：

library(XML)
url <- "http://www.elecciones2011.gob.ar/paginas/paginas/dat99/DPR99999A.htm"
total <- readHTMLTable(url)
n.rows <- unlist(lapply(total, function(t) dim(t)[1]))
df<-as.data.frame(total[[which.max(n.rows)]])

使用上面的代码，我得到了足够好的结果。我还能够（通过 readLines 函数和一些调整）获得一个包含我想要抓取的所有 url 的向量。像这样：

base_url <- "http://www.elecciones2011.gob.ar/paginas/paginas/"
urls <- paste(
  base_url,
  c(
    "dat02/DPR02999A", 
    "dat03/DPR03999A", 
    "dat04/DPR04999A", 
    "dat05/DPR05999A", 
    "dat06/DPR06999A", 
    "dat07/DPR07999A", 
    "dat08/DPR08999A", 
    "dat09/DPR09999A", 
    "dat10/DPR10999A", 
    "dat11/DPR11999A", 
    "dat12/DPR12999A", 
    "dat13/DPR13999A", 
    "dat14/DPR14999A", 
    "dat15/DPR15999A", 
    "dat16/DPR16999A", 
    "dat17/DPR17999A", 
    "dat18/DPR18999A", 
    "dat19/DPR19999A", 
    "dat20/DPR20999A", 
    "dat21/DPR21999A", 
    "dat22/DPR22999A", 
    "dat23/DPR23999A", 
    "dat24/DPR24999A"
  ),
  ".htm",
  sep = "" 
)

我想做的是创建一个函数，该函数在所有 url 中运行 readHTMLTable 函数，并将结果存储在向量或数据框中（一个或多个，更容易的）。我对 R 很陌生，而且我在函数方面特别糟糕。我尝试了类似...

tabla<- for (i in urls){
        readHTMLTable(urls)
        }

...但它甚至不接近。

【问题讨论】：

标签： r web-scraping

【解决方案1】：

最基本的方法，使用循环。这只是将您提供的代码包装在 for 中。

tabla <- list()
for(i in seq_along(urls))
{
    total <- readHTMLTable(urls[i])
    n.rows <- unlist(lapply(total, function(t) dim(t)[1]))
    tabla[[i]] <- as.data.frame(total[[which.max(n.rows)]])
}

一种更优雅的方法，使用lapply。现在提供的代码放在一个函数中，每个 url 都会调用这个函数。

tabla <- lapply(urls, function(url) {
    total <- readHTMLTable(url)
    n.rows <- unlist(lapply(total, function(t) dim(t)[1]))
    as.data.frame(total[[which.max(n.rows)]])
})

【讨论】：

在小勾上打勾，给 Hong Ooi 一些分数，这会将这个 Q 标记为已回答......
在那里，我将答案标记为已接受。我还不能给 Hong Ooi 积分，我自己需要 15 分的声望 :( 谢谢

【解决方案2】：

这是使用plyr 包的另一种方法。请注意，此解决方案会自动从页面中提取您感兴趣的链接列表，然后遍历这些链接，收集您感兴趣的所有表格。

library(XML); library(plyr)

# PARSE WEBPAGE INTO DOC
url <- "http://www.elecciones2011.gob.ar/paginas/paginas/dat99/DPR99999A.htm"
doc <- htmlParse(url)

# EXTRACT LINKS OF INTEREST AND CREATE ABSOLUTE PATHS
links <- xpathSApply(doc, "//div[@id = 'divindex']//a", xmlGetAttr, 'href')
links <- gsub("..", 'http://www.elecciones2011.gob.ar/paginas/paginas', links, 
   fixed = T)

# EXTRACT TABLES OF INTEREST FROM LINKS
tables = llply(links, function(l) readHTMLTable(l)[[3]], .progress = 'text')

【讨论】：