如何在R中使用Rcrawler从subdomian中提取信息?

时间:2017-12-22 06:20:33

标签: r web-scraping rcrawler

我想使用主URL从子门户中提取网页内容。

我尝试使用Rcrawler

library(Rcrawler)

Rcrawler(Website = "http://www.xbyte-technolabs.com/", no_cores = 4, no_conn = 4, ExtractCSSPat = c(".address"))

运行此代码后,我得到了INDEX默认变量,我们可以看到网站的所有URL。有一个网址"" http://xbyte-technolabs.com/contact_us.php"我想从中提取联系方式。

现在有人可以指导我如何从主网址转到此特定网址"" http://xbyte-technolabs.com/"在R中使用Rcrawler

2 个答案:

答案 0 :(得分:0)

library(Rcrawler)

Rcrawler("http://www.xbyte-technolabs.com/",no_cores = 4,no_conn = 4)

for (i in length(INDEX)) {
  for (j in nrow(INDEX)) {

    Rcrawler(Website = INDEX[[i]][j], no_cores = 4, no_conn = 4, ExtractCSSPat = c(".address"))

  }

}
#Rcrawler(Website = INDEX[[i]][23], no_cores = 4, no_conn = 4, ExtractCSSPat = c(".address"))
class(DATA)
head(DATA)

ad <- DATA[[1]]
ad <- as.character(ad)
cat(ad)

抱歉,我觉得这段代码有问题 任何人都会得到以下错误:

strsplit错误(gsub(&#34; http://|https://|www\。&#34;,&#34;&#34;,网站),&#34; /&#34;)[[c( 1,:   下标超出范围

答案 1 :(得分:0)

library(Rcrawler)
Rcrawler(Website = "http://www.xbyte-technolabs.com/", no_cores = 1, no_conn = 1, ExtractCSSPat = c(".address"))

pageid <- as.numeric(INDEX$Id[INDEX$Url == 'http://xbyte-technolabs.com/contact_us.php'])
DATA[pageid]

根据?Rcrawler,Rcrawler创建了两个全局变量

  
      
  • INDEX:全球环境中代表的数据框架    通用URL索引,包括获取的URL和页面列表    详细信息(contenttype,HTTP状态,out-links和in-links的数量,    编码类型和级别)和

  •   
  • DATA:全球环境控股中的列表清单    内容。

  •   

INDEX中的Id变量对应于DATA中的list元素。上面的代码段会查找与您感兴趣的网址相对应的ID。

旁注:既然您知道要查找的网址,那么浏览整个网站就像是一种矫枉过正。