在R中保存xml节点

时间:2018-04-22 02:06:48

标签: r xml rvest

我很擅长使用R和xml进行抓取,我对保存和加载数据集有疑问。

我使用如下代码抓取了一个相当大的数据集

data<-list()
for(i in page[1:10]){
  pages<-read_html(paste0("http://www.gbig.org/buildings/", i))
  nodes<-html_nodes(pages, '.badge-info .cert-badge , .event , 
.date , .media-heading a , .truncated , .location , .buildings-type')
 data[[i]]  <-nodes
}

我以为我可以使用

保存数据并再次加载
save(data, file="trials.RData")

当我加载它并尝试再次使用它时,我收到一条错误消息。我做错了什么?什么是保存和加载xml节点的最佳方法?

{xml_nodeset (10)}
Error in node_write_character(x$node, options = options, encoding = encoding) : 
  external pointer is not valid

修改

我尝试的加载命令是:

load("trials.RData")

谢谢

1 个答案:

答案 0 :(得分:3)

它不起作用的原因是节点是&#34; xptr&#34;或&#34;外部指针&#34;当它们保存到R数据文件时,它们不会被序列化。 xml2软件包存储库和R文档中的其他各个位置都有针对此的警示性指导,但没有人再使用RTFM。 #sigh

解决问题的一种方法将来再次对网站进行DoSing是从节点中提取数据而不是尝试保存原始节点保留源页面的副本,这样你就可以抓住它,回到网站并浪费带宽(再次)。

我们需要一些套餐:

library(rvest)
library(httr)
library(tidyverse)

您应始终从检查网站robots.txt和服务条款/条款和条件开始。这个网站有robots.txt但没有ToS / T&amp; C,因此我们会看看他们是否允许您尝试做的事情:

robotstxt::get_robotstxt(urltools::domain("http://www.gbig.org/buildings/")) %>%
  cat()
## # See http://www.robotstxt.org/wc/norobots.html for documentation on how to use the robots.txt file
## #
## # To ban all spiders from the entire site uncomment the next two lines:
## # User-Agent: *
## # Disallow: /
## User-Agent: *
## Crawl-delay: 10
## Disallow: /beta_invites
## Disallow: /admin
## Disallow: /search
## Disallow: /green_schools
## Disallow: /api
## Disallow: /places/8194/activities
## Disallow: /places/935/activities

因此,我们需要在页面请求之间使用10秒抓取延迟,您最好希望您没有违反技术控制,方法是使用/search/api路径获取该列表页。

此外,我们稍后会需要此功能,因为我们将采用其他方法来获取您想要的节点:

c(
  ".badge-info .cert-badge", ".event", ".date" , ".media-heading a",
  ".truncated", ".location" , ".buildings-type"
) -> target_nodes

而且,我们也需要稍后清理^^

clean_node_names <- function(x) {
  x <- tolower(x)
  x <- gsub("[[:punct:][:space:]]+", "_", x)
  x <- gsub("_+", "_", x)
  x <- gsub("(^_|_$)", "", x)
  x <- make.unique(x, sep = "_")
  x
}

对于这个例子---因为你没有提供任何数据 - 我们需要一些网址,所以我们将从这个页面中获取前12个:

pg <- read_html("http://www.gbig.org/buildings/")

html_nodes(pg, "a.cell") %>%
  html_attr("href") %>%
  sprintf("http://www.gbig.org%s", .) -> building_urls

现在,设置一个进度条,因为页面之间的延迟会延迟10秒。我意识到你可能会和其他许多人不太可能遵循robots.txt规则,但这并不意味着你不应该这样做。

pb <- progress_estimated(length(building_urls))

最后,迭代这些网址并:

  • 暂停
  • 阅读页面
  • 通过从每个CSS选择器路径中提取节点文本来构建数据帧;它们的长度不均匀,因此我们将它们全部列为list()
  • 保存HTML页面的字符来源

注意:您可能能够创建一个更好的数据框架,其中包含更多个人/故意的节点提取,而不是这种方法。

map_df(building_urls, ~{

  pb$tick()$print()

  Sys.sleep(10)

  x <- read_html(.x)

  map(target_nodes, html_nodes, x=x) %>%
    map(html_text) %>%
    set_names(clean_node_names(target_nodes)) %>%
    map(~list(.x)) %>%
    as_data_frame() -> tmpdf

  tmpdf$src_html <- as.character(pg)

  tmpdf

}) -> xdf

并且,经过一段时间的等待:

glimpse(xdf)
## Observations: 12
## Variables: 8
## $ badge_info_cert_badge <list> [<"Case Study", "Case Study", "Case Stu...
## $ event                 <list> [<"Whole Building Design Guide Case Stu...
## $ date                  <list> [<"06/20/2014", "08/13/2013", "08/13/20...
## $ media_heading_a       <list> [<"The Mutual Building  Christman Compa...
## $ truncated             <list> ["\nThe Christman Building LEED-EB, The...
## $ location              <list> ["208 N Capitol Ave, Lansing, MI, USA",...
## $ buildings_type        <list> ["\n\nThe Christman Building\n", "\n\nS...
## $ src_html              <chr> "<!DOCTYPE html>\n<html lang=\"en\">\n<h...

因为我们存储了src_html,所以如果您确实需要从每个建筑物中获取更多/不同的信息,则可以使用read_html()处理

注意:an alternate method使用xml2::xml_serialize()

pb <- progress_estimated(length(building_urls))

map(building_urls, ~{

  pb$tick()$print()

  Sys.sleep(10)

  read_html(.x) %>%
    html_nodes(
      '.badge-info .cert-badge , .event , .date , .media-heading a , .truncated , .location , .buildings-type'
    ) %>%
    xml_serialize(NULL) -> nodes

  nodes

}) -> bldg_lst

现在,它是一个原始载体列表:

str(bldg_lst)
## List of 12
##  $ : raw [1:4273] 58 0a 00 00 ...
##  $ : raw [1:4027] 58 0a 00 00 ...
##  $ : raw [1:3164] 58 0a 00 00 ...
##  $ : raw [1:7718] 58 0a 00 00 ...
##  $ : raw [1:2996] 58 0a 00 00 ...
##  $ : raw [1:2908] 58 0a 00 00 ...
##  $ : raw [1:4506] 58 0a 00 00 ...
##  $ : raw [1:4127] 58 0a 00 00 ...
##  $ : raw [1:2982] 58 0a 00 00 ...
##  $ : raw [1:3034] 58 0a 00 00 ...
##  $ : raw [1:1800] 58 0a 00 00 ...
##  $ : raw [1:1877] 58 0a 00 00 ...

你可以省钱。

回读后,你会这样做:

map(bldg_lst, xml_unserialize)
## [[1]]
## {xml_nodeset (65)}
##  [1] <h2 class="buildings-page-title buildings-type"><img alt="Building" ...
##  [2] <p class="location">208 N Capitol Ave, Lansing, MI, USA</p>
## ...
## 
## [[2]]
## {xml_nodeset (62)}
##  [1] <h2 class="buildings-page-title buildings-type"><img alt="Building" ...
##  [2] <p class="location">3825 Wisconsin Ave NW, Washington, DC, USA</p>
## ...
## 
## [[3]]
## {xml_nodeset (54)}
##  [1] <h2 class="buildings-page-title buildings-type"><img alt="Building" ...
##  [2] <p class="location"> San Francisco, CA, USA</p>
## ...
## 
## [[4]]
## {xml_nodeset (127)}
##  [1] <h2 class="buildings-page-title buildings-type"><img alt="Building" ...
##  [2] <p class="location"> Washington, DC, USA</p>
## ...
## 
## [[5]]
## {xml_nodeset (50)}
##  [1] <h2 class="buildings-page-title buildings-type"><img alt="Building" ...
##  [2] <p class="location">4940 N 118th St, Omaha, NE, USA</p>
## ...
## 
## [[6]]
## {xml_nodeset (47)}
##  [1] <h2 class="buildings-page-title buildings-type"><img alt="Building" ...
##  [2] <p class="location"> Dallas, TX, USA</p>
## ...
## 
### (etc)

我仍然认为第一种建议的方法更好。