※ 引述《jojojen (JJJ)》之銘言： : [問題類型]: : 程式諮詢 : [軟體熟悉度]: : 入門(寫過其他程式，只是對語法不熟悉) : [問題敘述]: : 各位大大好，小弟算是爬蟲初學者，最近在練習爬取聯合新聞的即時新聞列表， : 在抓出版時間時碰到一點問題，雖然硬是寫了出來， : 但還是想請教一下有沒有更好的寫法 : 麻煩各位了！！ : [程式範例]: : # install pack : list.of.packages <- c("rvest", "RCurl", "stringi", "XML", "stringr") : new.packages <- list.of.packages[!(list.of.packages %in% : installed.packages()[,"Package"])] : if(length(new.packages)) install.packages(new.packages) : # 撈取財經新聞 : surl = "http://money.udn.com/money/breaknews" : udn = read_html(surl,encoding="UTF-8") : ranking_table = udn %>% html_nodes('.area_body') %>% html_nodes(xpath = : "//table") : title = ranking_table %>% html_nodes('a') %>% html_text %>% iconv(from = : 'UTF-8', to = 'UTF-8') : url = ranking_table %>% html_nodes('a') %>% html_attr('href') : ## 抓取時間的時候，因為類別跟出版時間都被放在only_web class裡 : ## 我分不開只好都先抓下來，再砍掉不符合的欄位 : pattern = '^[0-9]{2}' : t = ranking_table %>% html_nodes('.only_web') %>% html_text %>% as.data.frame : colnames(t) = c("data") : time = subset(t, grepl(pattern, t$data)) : [環境敘述]: : R version 3.3.1 (2016-06-21) : Platform: x86_64-w64-mingw32/x64 (64-bit) : Running under: Windows 7 x64 (build 7600) : [關鍵字]: : 網路爬蟲, RVEST 下面是我的作法，windows用rvest會遇到encoding問題 但是windows中文版也不能正常顯示UTF8字元，所以要經過一點轉換 # require pkgs and install it if it is not installed if (!"installr" %in% installed.packages()) install.packages("installr") library(installr) require2(rvest) require2(stringi) require2(data.table) # 轉不轉data.table無所謂 require2(pipeR) if (is.windows()) { original_locale <- Sys.getlocale("LC_COLLATE") Sys.setlocale("LC_ALL", 'C') } surl <- "http://money.udn.com/money/breaknews" outTbl <- read_html(surl, encoding="UTF-8") %>>% html_node("#ranking_table") %>>% html_table if (is.windows()) { outTblTrans <- lapply(outTbl, function(v){ if (class(v) == "character") { return(stri_conv(v, to = "big5")) # 字串都轉成big5 } else { return(v) } }) %>>% `names<-`(NULL) %>>% as.data.table %>>% # names一定要先清空不然會錯 setnames(stri_conv(names(outTbl), to = "big5")) Sys.setlocale(locale = original_locale) } # 標題 類別 出版時間 瀏覽數 分享數 # 1: 共享單車成都投放1周 亂停放被城管沒收 即時 11/25 21:21 0 NA # 2: 緬甸洛興雅遭迫害 翁山蘇姬成眾矢之的 即時 11/25 21:21 0 NA # 3: 馬英九：我還沒上任 就被批評會帶來大災難 即時 11/25 21:02 11 NA # 4: 控緬甸種族淨化洛興雅人 亞洲爆示威 即時 11/25 20:54 8 NA 上面那段也可以換成下面這個做法，不過是data.table only (但是資料量大會快一點) if (is.windows()) { outTblTrans <- outTbl[ , lapply(.SD, stri_conv, to = "big5")] %>>% setnames(stri_conv(names(outTbl), to = "big5")) Encoding(names(outTblTrans)) <- "big5" Sys.setlocale(locale = original_locale) } -- R資料整理套件系列文： magrittr #1LhSWhpH (R_Language) https://goo.gl/OBto1x data.table #1LhW7Tvj (R_Language) https://goo.gl/QFtp17 dplyr(上.下) #1LhpJCfB,#1Lhw8b-s (R_Language) https://goo.gl/GcfNoP tidyr #1Liqls1R (R_Language) https://goo.gl/pcq5nq pipeR #1NXESRm5 (R_Language) https://goo.gl/cDIzTh --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.235.43.180 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/R_Language/M.1480080483.A.5F6.html ※ 編輯: celestialgod (36.235.43.180), 11/25/2016 21:41:33