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$node, options = options, encoding = encoding) :
external pointer is not valid
修改
我尝试的加载命令是:
load("trials.RData")
谢谢
答案 0 :(得分:3)
它不起作用的原因是节点是&#34; xptr&#34;或&#34;外部指针&#34;当它们保存到R数据文件时,它们不会被序列化。 xml2
软件包存储库和R文档中的其他各个位置都有针对此的警示性指导,但没有人再使用RTFM。 #sigh
解决问题的一种方法和将来再次对网站进行DoSing是从节点中提取数据而不是尝试保存原始节点和保留源页面的副本,这样你就可以抓住它,回到网站并浪费带宽(再次)。
我们需要一些套餐:
library(rvest)
library(httr)
library(tidyverse)
您应始终从检查网站robots.txt
和服务条款/条款和条件开始。这个网站有robots.txt
但没有ToS / T&amp; C,因此我们会看看他们是否允许您尝试做的事情:
robotstxt::get_robotstxt(urltools::domain("http://www.gbig.org/buildings/")) %>%
cat()
## # See http://www.robotstxt.org/wc/norobots.html for documentation on how to use the robots.txt file
## #
## # To ban all spiders from the entire site uncomment the next two lines:
## # User-Agent: *
## # Disallow: /
## User-Agent: *
## Crawl-delay: 10
## Disallow: /beta_invites
## Disallow: /admin
## Disallow: /search
## Disallow: /green_schools
## Disallow: /api
## Disallow: /places/8194/activities
## Disallow: /places/935/activities
因此,我们需要在页面请求之间使用10秒抓取延迟,您最好希望您没有违反技术控制,方法是使用/search
或/api
路径获取该列表页。
此外,我们稍后会需要此功能,因为我们将采用其他方法来获取您想要的节点:
c(
".badge-info .cert-badge", ".event", ".date" , ".media-heading a",
".truncated", ".location" , ".buildings-type"
) -> target_nodes
而且,我们也需要稍后清理^^
clean_node_names <- function(x) {
x <- tolower(x)
x <- gsub("[[:punct:][:space:]]+", "_", x)
x <- gsub("_+", "_", x)
x <- gsub("(^_|_$)", "", 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:
list()
列注意: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。