rvest爬取链家网数据
来源:互联网 发布:python网络爬虫代码 编辑:程序博客网 时间:2024/05/22 12:51
一、工具说明
- 火狐浏览器
- fireBug插件
- R软件
- revest包、stringr包
二、数据说明
想要获取链家网南京楼盘的信息,如:楼盘名称、地址、面积、是否在售、住宅性质、价格。最后在R里生成数据框
三、代码
Part1:加载包,rvest用于爬取数据、stringr处理字符串
# 加载包 ------------------------------------------#加载rvest,没有则先安装后加载tryCatch({ library(rvest)}, error = function(e) { print("No This Package")},finally = { install.packages("rvest") library(rvest)})library(stringr)
Part2:读取网页,求页数
想要获取该信息页数,如下图所示:
使用Firebug插件,很容易定位元素。
点击红框处图标,再点击黄框处10.自动定位元素位置,可以分析标签值等信息
# 读取网页,求页数 ----------------------------------------------------------------url <- 'http://nj.fang.lianjia.com/loupan/'web <- read_html(url)#html_attr("page-data") 是从html_nodes('div.page-box')筛选出的标签中,查找page-data属性的值page <- web %>% html_nodes('div.page-box') %>% html_attr("page-data")page_num <- str_extract(page, '[0-9]+')#取出字符串里面的数字,+表示可以是多位的page_num <- as.numeric(page_num)
Part3:循环读取每页上所需要的信息
# 循环读取每页上所需要的信息---------------------------#所需列name = area = price = type = address = status = NULLfor (i in 1:page_num) { #楼盘名称 name <- c(name, web %>% html_nodes('div.info-panel') %>% html_nodes('a') %>% html_text()) #地址 address <- c( address, web %>% html_nodes('div.info-panel') %>% html_nodes('div.where') %>% html_nodes('span.region') %>% html_text() ) #面积 area_ass <- web %>% html_nodes('div.info-panel') %>% html_nodes('div.area') %>% html_nodes('span') %>% html_text() area = c(area, str_extract(area_ass, '[0-9]+~[0-9]+|[0-9]+'))#找到形如11~12或者数字的字符串 price_ass <- web %>% html_nodes('div.info-panel') %>% html_nodes('div.average') %>% html_nodes('span') %>% html_text() price = c(price, as.numeric(price_ass)) #房屋性质 type <- c( type, web %>% html_nodes('div.info-panel') %>% html_nodes('div.type') %>% html_nodes('span.live') %>% html_text() ) #是否在售 status <- c( status, web %>% html_nodes('div.info-panel') %>% html_nodes('div.type') %>% html_nodes('span.onsold') %>% html_text() ) house_data <- data.frame( name = name, area = area, price = price, type = type, address = address, status = status, stringsAsFactors = F ) }# Ending############################ --------------------------------------
四、结果
五、Ref
[1] 链家网地址
[2] 快速定位元素:http://jingyan.baidu.com/article/19192ad81ab005e53e5707d6.html
[3] 《rvest + CSS Selector 网页数据抓取的最佳选择 》
[4] 语言爬虫初尝试-基于RVEST包学习
[5] 标签含义速查网站
[6] R语言学习:使用rvest包抓取网页数据
0 0
- rvest爬取链家网数据
- 用rvest包爬取豆瓣图书数据
- 如何用rvest包爬取豆瓣图书250的数据
- R语言:使用rvest包进行数据简单抓取
- 使用rvest包抓取新浪财经A股交易数据
- R语言:rvest抓取赶集网北京海淀区房产数据(应该有更好的办法)
- 用Rvest包再爬拉勾网
- rvest包爬取猎聘网招聘信息
- R语言rvest包3步爬取中国天气网国内所有城市(县)7天实时天气预报数据
- rvest包文档简易翻译
- R语言rvest爬取
- rvest爬虫及案例分析
- R语言rvest包简介
- R语言 rvest爬取大众点评上海商场信息(R语言&大数据分析qq群 456726635 欢迎讨论交流)
- R语言网页抓取入门-rvest包
- R语言爬虫之rvest包初试(一)
- 【R 语言爬虫】rvest 包实战链家爬虫
- R学习:用rvest包爬取imdb网站电影信息
- 设计模式
- ℃江让您从精通到入门:Broadcast+Toast=新意业务线
- 自动化测试基础篇—从零开始搭建测试工程
- 关于百度地图SDK在" SDKInitializer.initialize(this);"初始化报空指针的问题
- 离散化
- rvest爬取链家网数据
- c++ vector 基本用法 (1)
- 2017年山东省第八届ACM程序设计竞赛总结
- POI实现导出的简单例子
- Centos6编译安装Mysql5.7.18, rpm 安装mysql5.7.18,ubuntu apt安装mysql
- 【机房重构】下机——职责链模式+策略模式(理论篇)
- 多套 传智播客UI视频完整版 下载
- SRM567 Div1Medium StringGame
- JS鼠标与滚轮事件