时间戳

首页 > 解决方案 > 在 R 中抓取 php 生成的 html 表

php - 在 R 中抓取 php 生成的 html 表

问题描述

我想从这个网站上抓取数据http://demo.istat.it/bilmens2012gen/index02.html 在左边有一个网络表单，它将参数传递给一个 php 页面，该页面又输出生成的 html 表并在一个框架中同一页。从第一个下拉列表中有 107 个城市，从第二个 12 个月开始，我应该手动运行 1.284 个查询来收集所需的数据。对自动化这个过程有什么建议吗？我使用 R 和 rvest 库来抓取静态 html 表，但由于这些表是由表单参数生成的，所以我不知道该怎么做。希望我可以组合参数（如“city1”“month1”）并检索 html，然后再做我的工作来加入数据。

标签： phphtmlrweb-scraping

解决方案

这是一个相当简单的抓取工作。当您选择页面上的按钮时，浏览器只是从服务器请求一些 html 并将其放入主框架中。请求只是以这种格式编码在 url 中：

                                             Province (1 - 107)   Period (1 - 12)
                                                              |                 |
                                                              v                 v
http://demo.istat.it/bilmens2012gen/query1.php?lingua=ita&Pro=1&allrp=4&periodo=1&submit=Tavola

所以你可以这样做来获取所有的网址：

urls <- do.call("c", 
                lapply(1:107, 
                       function(x) paste0("http://demo.istat.it/bilmens2012gen/",
                                          "query1.php?lingua=ita&Pro=", x,
                                          "&allrp=4&periodo=", 1:12,
                                          "&submit=Tavola")
                  )
)

当然，您仍然需要从这些页面中抓取数据。下面是一个从每个链接获取数据的函数示例：

get_table <- function(url) 
{
  df <- xml2::read_html(url) %>%
  html_nodes("table") %>% 
  `[`(2) %>% html_table()
  df <- df[[1]]
  breaks <- which(df[,1] == "CodiceComune")
  output <- df[(breaks[1] + 2):(breaks[2] - 1),]
  output <- setNames(output, paste(df[1,], df[2,]))
  for(i in 3:8) output[[i]] <- as.numeric(as.character(output[[i]]))
  dplyr::as_tibble(output)
}

所以我可以像这样得到第一个区域的第一个时期：

get_table(urls[1])
#> # A tibble: 315 x 11
#>    `CodiceComune T~ `Comuni Totale` `Popolazioneini~ `Nati Vivi Tota~ `Morti Totale`
#>    <chr>            <chr>                      <dbl>            <dbl>          <dbl>
#>  1 001269           Strambino                   6314                1              5
#>  2 001270           Susa                        6626                2             10
#>  3 001271           Tavagnasco                   812                0              1
#>  4 001272           Torino                    869312              749           1011
#>  5 001273           Torrazza Piemo~             2833                2              4
#>  6 001274           Torre Canavese               592                1              1
#>  7 001275           Torre Pellice               4514                4              8
#>  8 001276           Trana                       3877                2              5
#>  9 001277           Trausella                    132                0              1
#> 10 001278           Traversella                  351                0              0
#> # ... with 305 more rows, and 6 more variables: `SaldoNaturale Totale` <dbl>, `Iscritti
#> #   Totale` <dbl>, `Cancellati Totale` <dbl>, `Saldomigratorio e per altri motivi Totale` <chr>,
#> #   `Unità inpiù/menodovute avariazioniterritoriali Totale` <chr>, `Popolazionefine periodo
#> #   Totale` <chr>

当然，您可能希望设置一个循环来获取所有页面并将数据框粘合在一起，可能像这样：

result_list <- list()
for(i in seq_along(urls))
{
  cat("Getting url", i, "of", length(urls), "\n")
  result_list[[i]] <- get_table(urls[i])
}
result_df <- do.call(rbind, result_list)

显然我没有对此进行测试，因为下载和处理所有表格可能需要大约一个小时。

推荐阅读