Question

我是网络抓取的新手，我正试图在多个网页上抓桌子。这是网站：http://www.baseball-reference.com/teams/MIL/2016.shtml

我可以使用rvest轻松地在一个页面上抓一张桌子。有多个表，但我只想抓第一个，这是我的代码

library(rvest)
url4 <- "http://www.baseball-reference.com/teams/MIL/2016.shtml"

Brewers2016 <- url4 %>% read_html() %>% 
html_nodes(xpath = '//*[@id="div_team_batting"]/table[1]') %>% 
html_table()   

Brewers2016 <- as.data.frame(Brewers2016)

问题在于我想要抓住可追溯到1970年的页面上的第一个表格。在表格上方的左上角有一个指定前一年的链接。有人知道我怎么做吗？

我也对不同的方法持开放态度，例如，除了rvest之外的其他方法可能会更好。我使用了rvest，因为它是我开始学习的那个。

Answer 1

一种方法是制作您感兴趣的所有urls的向量，然后使用sapply：

library(rvest)

years <- 1970:2016
urls <- paste0("http://www.baseball-reference.com/teams/MIL/", years, ".shtml")
# head(urls)

get_table <- function(url) {
  url %>%
    read_html() %>%
    html_nodes(xpath = '//*[@id="div_team_batting"]/table[1]') %>% 
    html_table()
}

results <- sapply(urls, get_table)

results应该是47个data.frame个对象的列表;每个都应该用它们代表的url（即年份）命名。也就是说，results[1]对应于1970年，results[47]对应于2016年。

在r中使用rvest在多个网页上刮表

1 个答案: