Question

我正在尝试从以下url-中抓取数据： https://university.careers360.com/colleges/list-of-degree-colleges-in-India 我想单击每个学院的名称，并获取每个学院的特定数据。

首先，我要做的是将所有大学网址收集到一个vector-中：

#loading the package:
library(xml2)
library(rvest)
library(stringr)
library(dplyr)

#Specifying the url for desired website to be scrapped
baseurl <- "https://university.careers360.com/colleges/list-of-degree-colleges-in-India"

#Reading the html content from Amazon
basewebpage <- read_html(baseurl)

#Extracting college name and its url
scraplinks <- function(url){
   #Create an html document from the url
   webpage <- xml2::read_html(url)
   #Extract the URLs
   url_ <- webpage %>%
   rvest::html_nodes(".title a") %>%
   rvest::html_attr("href")  
   #Extract the link text
   link_ <- webpage %>%
   rvest::html_nodes(".title a") %>%
   rvest::html_text()
   return(data_frame(link = link_, url = url_))
}

#College names and Urls
allcollegeurls<-scraplinks(baseurl)

#Reading the each url
library(purrr)    
allreadurls<-map(allcollegeurls$url, read_html)

现在可以正常工作了，但是当我编写以下代码时，它显示了一个错误。

#Specialization
#Using CSS selectors to scrap the specialization section
allcollegeurls$Specialization<-NA
for (i in allreadurls) {
  allcollegeurls$Specialization[i] <- html_nodes(allreadurls[i][],'td:nth- 
  child(1)')
}

Error in allreadurls[i] : invalid subscript type 'list'

Answer 1

我不确定所抓取的内容本身，但您可能希望将循环替换为

for (i in 1:length(allreadurls)) {
  allcollegeurls$Specialization[i] <- html_nodes(allreadurls[i][],'td:nth-child(1)')
}

您的方法遇到的一个问题是i的角色不一致：它在allreadurls中取值，但随后又将其Specialization和allreadurls用作子集。另一个问题是

中所有多余的空格

'td:nth- 
  child(1)'

最后，由于allreadurls是一个列表，因此您想用[[i]]而不是[i]（又返回一个列表）来对其进行子集化。最后，不需要[]。

错误：下标类型“列表”无效（网络抓取）

1 个答案: