首页农业大学 › 农业大学R语言从小木虫网页批量领到考研调剂信息

农业大学R语言从小木虫网页批量领到考研调剂信息

平等、从URL读博并返回html树

    1.1
Rcurl包

       应用Rcurl包可一本万利的通往服务器发出请求,捕获URI,get 和
post 表单。比R socktet连接要提供再胜似品位的互相,并且支持
FTP/FTPS/TFTP,SSL/HTTPS,telnet
和cookies等。本文用到的函数是basicTextGatherer和getURL。想详细摸底是保险的可点击参考资料的链接。

        R命令:

        h <- basicTextGatherer( )  
# 查看服务器返回的峰信息
        txt <- getURL(url,
headerfunction = h$update,.encoding="UTF-8...")  # 返回字符串形式html

      
参数url即为急需拜访的url这里参数用headerfunction用到齐同条命令归来的腔信息,.encoding指定网页的编码方式为“UTF-8"。

      
网页的编码方式有过多,一般以UTF-8,一些中文网页编码方式为“gbk",可以在浏览器的网页代码查看或getURL返回的字符串看到。

       小木虫网页代码查看

                                 
农业大学 1

      可见小木虫网页编码方式为gbk。

     1.2  XML包

       R语言XML包
具有读取或者创造XML(HTML)文件的成效,可以本地文件呢支持HTTP 或者 FTP
,也供Xpath(XML路径语言)解析方法。此处函数htmlparse,将文件分析为XML或者HTML树,便于进一步数据的领到或者编辑。

        R命令:

       
htmlParse(file,asText=T,encoding="UTF-8"...) #参数file
即为XML或者HTML文件名或者text,asText参数是T指定file是text,encoding指定网页编码方式。

 

       这里我们需要读取网页,并且用到该网页的html树内容

        自定义函数download,输入strURL,strURL为网址,返回html树内容

            download <- function(strURL){
              h <- basicTextGatherer( )# 查看服务器返回的条信息
              txt <- getURL(strURL, headerfunction =
h$update,.encoding="gbk") ## 字符串形式
               htmlParse(txt,asText=T,encoding="gbk")     
#分选gbk进行网页的剖析
             }

其次、获得一个网页所有的URL

   
有时候我们用进入每个网页上之子链接取分析数据,这个上可以据此到XML包之getHTMLLinks函数。

    R命令:

        getHTMLLinks(doc,  xpQuery =
"//a/@href"...)
#doc为剖后的HTML树文件,xpQuery指定想匹配的Xpath元素(下面会详细讲一些Xpath基础)。

    此处我们要得到小木虫“导师招生”页面下的具备话题链接。

    2.1
首先我们只要得到导师招生的率先页,第二页,第三页,甚至到最后一页的网址。

        导师招生首页

                        农业大学 2

       导师招生第二页,第三页。

                      农业大学 3

                   农业大学 4

       
发现首页网址是http://muchong.com/html/f430.html,余下的网址符合http://muchong.com/html/f430\_ 
+   第几页   +.html 

        于是网址我们好手动编辑。

        strURLs="http://muchong.com/html/f430.html"

        n=50

        strURLs <-
c(strURLs,paste(rep("http://muchong.com/html/f430\_",n),c(2:n),".html",sep=""))

        strURLs包括了拥有1及50页导师招生网页的网址。

    2.2获取各一样页导师招生中基本上个话题的链接

             

       
于老师招生页面下,有广大话题,我们得取各个话题的链接。

        用getHTMLLinks函数查看导师招生中装有URL,再比话题网址。

 

        农业大学 5

        http://muchong.com/html/201702/11075436.html

        发现话题网址是成成分是http://muchong.com/ +
html/201702/11075436.html 类似的URL

        这时我使用先由老师招生网页提取所有URL,再配合配 html *
.html格式的URL,最后再次前面加上http://muchong.com/ 的策略。

        自定义greg函数用于正则相当,并且取得匹配到的字符串。
            greg <- function(pattern,istring){
                gregout <- gregexpr(pattern,istring)  
#pattern为配合模式,istring为索要匹配的字符串
               
substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
             }

         自定义extradress函数,用于取strURL网页的遭的 URL
,最后处理回来各个话题网页的链接。

            extradress <- function(strURL){
                 prefix <- "http://muchong.com/"
                 pattern <- "html/[0-9/]+.html"
                 links <- getHTMLLinks(strURL)
                 needlinks <- gregexpr(pattern,links)
                 needlinkslist <- list()
                for (i in which(unlist(needlinks)>0)){
                    preadress <-
substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
                    needlinkslist<-
c(needlinkslist,list(preadress))
                   adresses <-
lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
                 }
                return (adresses)
                 }

     

其三、从HTML树被得我们所而之数据

    3.1 XML文档基本知识

    脚是不怎么木虫的一些html:

 

    农业大学 6

 

  
html为根元素,head和body是html的子元素,div是body的子元素,div有总体性id,style,属性后面对应着属于性值。“小木虫---“一行是p元素的文书内容。

    3.2 获得有元素的内容

       此处用到XML包中的getNodeSet函数,getNodeSet函数

        R命令:

        getNodeSet(doc, path...)
#doc 就是html树文件对象,path
就是因素路径。可以就此/从根元素一薄薄指定路线,也可用//直接定位到某某平等重叠元素。

        例如要稳定到html下之body下之div,path
即为/html/body/div,也可//body/div直接由body开始定点。返回列表,如果固定到几近个因素,将回到多单要素的列表。此次我们只要一定为到网页的话题内容:

 

                      农业大学 7

     我们这里一直定位及p元素,再由列表中筛选。

     先输入指令

      getNodeSet(doc,'//p')

 

      农业大学 8

 

      getNodeSet(doc,'//p')[[2]]就算是咱要之情节。

 

      农业大学 9

     

     
但是回去的结果是单对象,要转移也字符串要为此到函数xmlValue获得首批素值。

       xmlValue(x...) #
x就是getNodeSet得到的靶子

       此处

  xmlValue(getNodeSet(a,'//p')[[2]]) 得到我们所要的内容


  


   此时,我们获得了每一个话题的内容,我们就可以从内容中提取有效信息,是否招调剂,大学名,导师名字,研究方向,联系人,邮箱,电话等。

季、从小木虫获取调剂信息实例

   
我师妹是生物正式的内需调剂的学员,现在急需从小木虫网站提取别人宣布的音,做成一个报表形式,便于筛选查看和发送邮件。

   以下是总体代码内容

 

library(RCurl)
library(XML)

download <- function(strURL){
    h <- basicTextGatherer()# 查看服务器返回的峰信息
    txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk")
## 字符串形式
    htmlParse(txt,asText=T,encoding="gbk")     
#选择gbk进行网页的分析
}

extradress <- function(strURL){
  prefix <- "http://muchong.com/"
  pattern <- "html/[0-9/]+.html"
  links <- getHTMLLinks(strURL)
  needlinks <- gregexpr(pattern,links)
  needlinkslist <- list()
  for (i in which(unlist(needlinks)>0)){
    preadress <-
substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
    needlinkslist<- c(needlinkslist,list(preadress))
    adresses <-
lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
  }
  return (adresses)
}

gettopic <- function(doc){
    xmlValue(getNodeSet(doc,'//p')[[2]])
}

greg <- function(pattern,istring){
    gregout <- gregexpr(pattern,istring)
   
substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
}

getinf <- function(topic){
pattern1 <-
"招[\u4E00-\u9FA5]+[0-9-]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*[:、;,,;]*[\u4E00-\u9FA5]*(研究生)|(调剂)"
pattern2 <- "([\u4E00-\u9FA5]*课题组|[\u4E00-\u9FA5]*团队)"
 
pattern21 <- "[\u4E00-\u9FA5]*[:、;,,;]*(教授|博士)"
pattern3 <-
"[\u4E00-\u9FA5]*[:、;,,;]*[-A-Za-z0-9_.%]+@[-A-Za-z0-9_.%]+\\.[A-Za-z]+[.A-Za-z]*"
    #配合配@163.com类要么@abc.edu.cn两接近邮箱
pattern4 <- "[\u4E00-\u9FA5]+老师"  #相当有先生
pattern5 <-
"[\u4E00-\u9FA5]*[::]*1[3,5,8]{1}[0-9]{1}[0-9]{8}|0[0-9]{2,3}-[0-9]{7,8}(-[0-9]{1,4})?"
#匹配联系人和数码
pattern6 <-
"(主|从事)*[\u4E00-\u9FA5]*(的研究|方向)为*[:、;,,;]*[\u4E00-\u9FA5]*"
pattern7 <- "[\u4E00-\u9FA5]+(大学|学院|研究院|研究所)"
pattern8
<-"[-A-Za-z0-9_.%]+@[-A-Za-z0-9_.%]+\\.[A-Za-z]+[.A-Za-z]*"
#规范匹配邮箱

cate <- greg(pattern1,topic)
proj <- greg(pattern2,topic)
PI <- greg(pattern21,topic)
email <- greg(pattern3,topic)
man <- greg(pattern4,topic)
phone <- greg(pattern5,topic)
direc <- greg(pattern6,topic)
univ <- greg(pattern7,topic)
print(cate)
if (greg("(分子|生物|植物|细胞|医学|动物|水)+",topic) !=""){
    if (man =="" && proj != ""){
        man <- unlist(strsplit(proj,"课题组")[1])
    }
 
    if (email != ""){
      email <- greg(pattern10,email)
    }
    
   
data.frame("类别"=cate,"大学"=univ,"课题"=proj,"PI"=PI,"联系人"=man,"邮箱"=email,"方向"=direc,"电话"=phone)
}
else{
  return("")
}
}

strURLs="http://muchong.com/html/f430.html"
n=50
dat <-
data.frame("URL"="URL","类别"="类别","大学"="大学","课题"="课题","PI"="PI","联系人"="联系人","邮箱"="邮箱","方向"="方向","电话"="电话")
strURLs <-
c(strURLs,paste(rep("http://muchong.com/html/f430\_",n),c(2:n),".html",sep=""))
output1 <- "a2017.2.21.txt" #莫处理数量,用于更处理
output2 <- "b2017.2.21.txt" #愈筛选的数量,用于查看

for ( strURL in strURLs){
    adresses <- extradress(strURL)
    for (adress in adresses){
      message(adress)
      doc <- download(adress)
      topic <- gettopic(doc)
      inf <- getinf(topic)
      if (inf != ""){
        URL <- data.frame("URL"=adress)
        inf <- cbind(URL,inf)
        dat<- rbind(dat,inf)
      }
    }
}

write.table(dat, file = output1, row.names = F, col.names=F,quote = F,
sep="\t")  # tab 分隔的文本
message("完成!")

dat <- read.table(output1,sep="\t",header=T)
dat <- dat[dat$邮箱, ] #去除没有邮箱数据
dat <- dat[!duplicated(dat$邮箱), ]  #除去重复邮箱数据
dat$index <- as.numeric(rownames(dat))
dat <- dat[order(dat$index,decreasing=F),]
#用乱序后的多寡还按index排序
dat$index <- NULL
write.table(dat, file = output2, row.names = F, col.names=F,quote = F,
sep="\t")  # tab 分隔的文件
message("完成!")

 

 

末了祝福所有考研人数犹能够打响让心仪之校选用!

 

 

参考资料:

Rcurl包 :https://cran.r-project.org/web/packages/RCurl/RCurl.pdf

XML包:https://cran.r-project.org/web/packages/XML/XML.pdf

XML基本知识:http://www.cnblogs.com/thinkers-dym/p/4090840.html

 

转载本站文章请注明出处:必赢亚洲56电子游戏 https://www.creatologue.com/?p=4

上一篇:

下一篇:

相关文章

网站地图xml地图