R語言爬蟲初嘗試-基於RVEST包學習

本文轉載自查看原文 2015-02-27 11:02 23850 R Programming

注意：這文章是2月份寫的，拉勾網早改版了，代碼已經失效了，大家意思意思就好，主要看代碼的使用方法吧。。

最近一直在用且有維護的另一個爬蟲是KINDLE 特價書爬蟲，blog地址見此： http://www.cnblogs.com/weibaar/p/4824578.html

博客內容簡介及目錄 http://www.cnblogs.com/weibaar/p/6644261.html

R語言爬蟲初嘗試-基於RVEST包學習

在學完coursera的getting and Cleaning data后，繼續學習用R弄爬蟲網絡爬蟲。主要用的還是Hadley Wickham開發的rvest包。再次給這位矜矜業業開發各種好用的R包的大神奉上膝蓋

查閱資料如下：

rvest的github
rvest自身的幫助文檔
rvest + CSS Selector 網頁數據抓取的最佳選擇-戴申: 里面有提及如何快速獲得html的位置。看完這篇，想想我之前看代碼看半天分段真是逗比。。經測試，遨游瀏覽器，右鍵，審查元素可以得到類似結果。戴申的blog里面還有若干相關文章，國內RVEST資料基本就靠他的BLOG了，感激！

言歸正傳，拿了幾個網頁練手。包括對拉勾網爬了一下蟲，還嘗試了對國外某黃頁爬蟲，對ebay用戶評價爬蟲分析其賣家賣的東西主要在哪個價格段（我查的那個賣家，賣8.99和39.99最多，鞋子類），做了一下文本挖掘，還有爬了一下股票數據，基金買入情況等等。

之所以放拉勾網為例子，因為這個大家都比較熟一點？其他的都有點小眾=_=而且雖然我沒有跳槽的心，但年初卻是很多人跳槽的熱點。另外，因為之前聽人說過，要了解一個公司的動態，有一個辦法是去看這個公司放出來的招聘崗位，可以知道他們最近哪個業務線要擴張了，哪個業務線要跑人了，以及了解技術需求。

rvest基礎語法：

library(rvest)
lagou<-"http://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?kd=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc=&workAddress=&city=%E6%B7%B1%E5%9C%B3&requestId=&pn=3"
web<-html(lagou,encoding="UTF-8") #讀取數據，規定編碼
#之前我是用關鍵字搜索，閱讀html代碼，獲得html_nodes里需要什么屬性，不過許多瀏覽器有開發者工具，可以直接獲得層級信息。如遨游
position<-web %>% html_nodes("li div.hot_pos_l a") %>% html_text()
#上面就是直接讀取數據，獲得位置信息
#不過在后面做其他網站時發現，有時候信息儲存在同類數據里(如div沒有class等等)，建議是找一個大的分類，先獲得表格信息，再做數據
list_lagou<-web %>% html_nodes("li.clearfix")
#這里正確找准正確的划分點很重要。有<li class="odd clearfix">，其實用li.clearfix一樣可以取(對於空格二選一，如"li.odd"或者"li.clearfix")
#接下來的company/position照選即可，因為事先已經分好了list，所以每一個出多少心里有數。。

在講完原理之后，現在開始嘗試寫代碼

因為里面涉及太多的選取數據工作。為了避免出現太多變量，我最后是編了一個函數，輸出數據庫

函數部分

#下面開始寫代碼,首先寫一個函數getdata，會輸出一個數據框
getdata<-function(page,urlwithoutpage){
        url=paste0(urlwithoutpage,page) #這里輸入拉勾網沒有頁碼的url
        web<-html(url,encoding="UTF-8") #讀取數據，規定編碼,access用
        list_lagou<-web %>% html_nodes("li.clearfix") #獲得一個清單，15個職位
        title<-list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_text()
        company<-list_lagou %>% html_nodes("div.hot_pos_r div.mb10 a")%>%html_text()
        link<-gsub("\\?source\\=search","",list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_attr("href"))
#接下來的由於數據都存在span里，沒有很好的划分。這個取數要復雜一些。我在這里，研究他們的表，先取15個完整list，然后用seq等序列取數
#之后要研究是否有更好的方法
#如果有table，可以直接用data.table取數更快。。。
        temp<-list_lagou %>% html_nodes("div.hot_pos_l span")
        city<-temp[seq(1,90,by=6)] %>% html_text()
        salary<-gsub("月薪：","",temp[seq(2,90,by=6)]%>% html_text())
        year<-gsub("經驗：","",temp[seq(3,90,by=6)]%>% html_text())
        degree<-gsub("最低學歷：","",temp[seq(4,90,by=6)]%>%html_text())
        benefit<-gsub("職位誘惑：","",temp[seq(5,90,by=6)]%>% html_text())
        time<-temp[seq(6,90,by=6)]%>%html_text()
        data.frame(title,company,city,salary,year,degree,benefit,time,link)
}

然后是使用該函數，我這里就爬兩頁

#使用該函數，
library(rvest)
url<-"http://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?kd=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc=&workAddress=&city=%E6%B7%B1%E5%9C%B3&requestId=&pn="
final<-data.frame()
for (i in 3:5){
        final<-rbind(final,getdata(i,url))        
} #定義個數，把上面的getdata得到的Data.frame合並
head(final)


上面完成了第一個列表。爬出效果如圖


關於這個數據有什么用呢…… 簡單來說，我們可以用它來看這個網上有多少在招的，各公司招人的比例，以及薪資水平，做一點基礎的數據分析。

雖然我現在不跳槽，不過了解一下市場狀況也是不錯的~譬如見下圖，從目前這網上的平均薪資與工作年限的關系來看，數據分析崗至少在職位前五年屬於薪資增長期，初始漲得快，后面漲得慢，但平均應有13%左右的增長？然后這網上目前沒有什么高級崗位開出來（工作5-10年的崗位很少），反而是有些公司搞錯分類，放了一堆數據錄入的到數據分析欄目。。。

值得一提的是，因為數據分析這個類目里包含了不同的類別，如數據錄入的也被歸到數據分析，還有高薪也被歸到這里，所以不能完全按這個做參考。不過這個研究讓我深刻體會到了爬蟲的有效性！好玩！實用！可以用到工作中去:) 還可以像個獵頭一樣了解人才市場~~做個有情調的數據分析師~~

另外，其實我們還可以遍歷JD，看近期是什么技術最吃香，是R還是Python還是SQL還是SAS還是別的啥啥啥。下面是我隨機抽了個JD做的爬蟲。可以直接拿到相關數據。

final[1,9]
## [1] http://www.lagou.com/jobs/378361.html
## 45 Levels: http://www.lagou.com/jobs/113293.html ...
url<-as.character(final[1,9])
w<-html(url,encoding = "UTF-8")
d<-w %>% html_nodes("dd.job_bt p") %>% html_text()
d
## [1] "1.金融、計算機、財務、經濟相關專業；"
## [2] "2.有證券從業資格證者優先；"          
## [3] "3.想從事文職類工作，對辦公軟件熟悉；"
## [4] "4.可接收已拿到學歷證的應屆畢業生。"  
## [5] "<U+00A0>"

注意事項：

對於被編碼保護的數據（如國外yellow.local.ch，email被編碼保護了。需要用 decodeURIComponent函數反編譯。）
xpath語句對html_nodes適用。但是它好像是全局語句。。就是如果用div[1]//span[4]取數的話，它直接就只出全局的那個結果。。。
如
取數，可以用li.da或者li.daew取數，兩者等價
正則表達式很有用！！尤其是對網頁數據，某些不會寫，或者技術高超不願意被我們爬蟲的工程師，用rvest去抓數據，會抓到一堆堆亂碼= =這幾天練習下來感受到了無盡惡意
中文，html(data,encoding='UTF-8')還有iconv(data,'utf-8','gbk')可以有效避免大部分亂碼。但是R對中文支持真的很渣。
rvest對於靜態抓取很方便！但是對於腳本訪問的網頁，還需要繼續學習RCurl包。備查資料如下：