r - 使用“rvest”在 R 中进行网络抓取时,将其他变量合并到基于特定行信息的数据的最佳实践是什么?
问题描述
我目前正在网上抓取 IMDB 网站以提取电影数据。
我想知道你将如何解决这个问题。
library(tidyverse)
library(data.table)
library(rvest)
library(janitor)
#top rated movies website
url <- 'https://www.imdb.com/chart/top/?ref_=nv_mv_250'
# extract the title of the movies using rvest
titles <- url %>%
read_html() %>%
html_nodes(' .titleColumn a') %>%
html_text() %>%
as.data.table() %>%
setnames(. ,old = colnames(.), new='title')
# extract links to each of the titles, this will be the reference
links <- url %>%
read_html() %>%
html_nodes('.titleColumn a') %>%
html_attr('href') %>%
as.data.table() %>%
setnames(. ,old = colnames(.), new='links')
# creating a DT with the data
movies <- cbind(titles,links)
我将有带有标题和链接的电影 DT 作为列。
现在,我想使用链接提取每部电影的附加数据
我将继续以第一行为例。
#the first link in movies
link <- 'https://www.imdb.com/title/tt0111161/?pf_rd_m=A2FGELUUNOQJNL&pf_rd_p=e31d89dd-322d-4646-8962-327b42fe94b1&pf_rd_r=NJ52X0MM1V9FKSPBT46G&pf_rd_s=center-1&pf_rd_t=15506&pf_rd_i=top&ref_=chttp_tt_1'
# selector for budget data (this will not change)
select <- '.txt-block:nth-child(15) , .txt-block:nth-child(14) , #titleDetails .txt-block:nth-child(13) , #titleDetails .txt-block:nth-child(12)'
# get budget data
budget <- link %>%
read_html() %>%
html_nodes(select) %>%
html_text() %>%
gsub('\\n','',.) %>%
str_split(.,'\\:')%>%
as.data.table() %>%
janitor::row_to_names(row_number = 1) %>%
setnames(.,old=colnames(.),new= tolower(gsub(' ','_' , str_trim(colnames(.)))))
budget[,(colnames(budget))] <- lapply(budget,function(x) str_extract_all(x, "(\\$) *([0-9,]+)"))
现在我有一个包含预算信息的 1x4 表
我想为电影的每个链接提取数据并将其合并到 DT 中,以获得具有 6 列的最终 DT;'title', 'link' + 四个预算变量。我试图创建一个函数,其中包含使用每一行的链接作为参数并使用“lapply”获取预算数据的代码,我认为这不是正确的方法。
我想看看您是否有有效的解决方案。
非常感谢你的帮助。
解决方案
我认为这可以解决您的问题:
# selector for budget data (this will not change)
select <- '.txt-block:nth-child(15) , .txt-block:nth-child(14) , #titleDetails .txt-block:nth-child(13) , #titleDetails .txt-block:nth-child(12)'
# get budget data
## As function
get_budget = function(link,select){
budget <- link %>%
read_html() %>%
html_nodes(select) %>%
html_text() %>%
gsub('\\n','',.) %>%
str_split(.,'\\:')%>%
as.data.table() %>%
janitor::row_to_names(row_number = 1) %>%
setnames(.,old=colnames(.),new= tolower(gsub(' ','_' , str_trim(colnames(.)))))
budget[,(colnames(budget))] <- lapply(budget,function(x) str_extract_all(x, "(\\$) *([0-9,]+)"))
return(budget)
}
#As your code is slow I'll subset movies to have 10 rows:
movies = movies[1:10,]
tmp =
lapply(movies[, links], function(x)
get_budget(link = paste0("https://www.imdb.com/",x),select=select )) %>%
rbindlist(., fill = T)
movies = cbind(movies, tmp)
你的结果看起来像这样:movies_result
最后,我认为这个小建议会让你的代码看起来更酷:
setnames
不需要.
frommagrittr
; 它会自动理解您的代码类型。- 尽可能避免使用
setnames(. ,old = colnames(.), new='links')
. 在您的情况下是必要的setnames('links')
,因为您正在重命名所有变量。 setnames(dt,old = oldnames, new=newnames)
仅当 oldnames 不等于 names(dt) 时才需要。- 由于
DT
是另一个R
流行的库,与data.table
我认为将 data.table 称为什么是data.table
.
推荐阅读
- postsharp - 解决方案范围的 PostSharp 配置不起作用
- opencv - 如何计算 3d 空间中的新相机位置和旋转,以在 3d 对象移动后获得完全相同的视图?
- jpa - JPA查询所选字段上的where语句结果
- java - 如何仅在某些控制器中定义的路径上启用 Java Spring 安全性?
- android - 方向更改后使用存储库模式获取数据
- c# - GroupBy 并在新集合(父)中选择新集合(子)
- graph - 了解空间复杂度 - BFS 解决方案 - 绘制布尔矩阵
- openssl - socat openssl-listen - 确保 TLSv1.3 正在使用中
- javascript - 运行在 JSON 中定义的函数
- cluster-analysis - 如何将使用 k-medoids 算法(例如 PAM)的聚类解决方案应用于另一个数据集?