R语言爬虫初尝试-基于RVEST包学习

OStack程序员社区-中国程序员成长平台 › 门户 › 编程› R语言›R语言教程

原作者: [db:作者] 来自: [db:来源] 收藏邀请

注意：这文章是2月份写的，拉勾网早改版了，代码已经失效了，大家意思意思就好，主要看代码的使用方法吧。。

最近一直在用且有维护的另一个爬虫是KINDLE 特价书爬虫，blog地址见此： http://www.cnblogs.com/weibaar/p/4824578.html

博客内容简介及目录

R语言爬虫初尝试-基于RVEST包学习

Thursday, February 26, 2015

在学完coursera的getting and Cleaning data后，继续学习用R弄爬虫网络爬虫。主要用的还是Hadley Wickham开发的rvest包。再次给这位矜矜业业开发各种好用的R包的大神奉上膝盖

查阅资料如下：

rvest的github
rvest自身的帮助文档
rvest + CSS Selector 网页数据抓取的最佳选择-戴申: 里面有提及如何快速获得html的位置。看完这篇，想想我之前看代码看半天分段真是逗比。。经测试，遨游浏览器，右键，审查元素可以得到类似结果。戴申的blog里面还有若干相关文章，国内RVEST资料基本就靠他的BLOG了，感激！

言归正传，拿了几个网页练手。包括对拉勾网爬了一下虫，还尝试了对国外某黄页爬虫，对ebay用户评价爬虫分析其卖家卖的东西主要在哪个价格段（我查的那个卖家，卖8.99和39.99最多，鞋子类），做了一下文本挖掘，还有爬了一下股票数据，基金买入情况等等。

之所以放拉勾网为例子，因为这个大家都比较熟一点？其他的都有点小众=_=而且虽然我没有跳槽的心，但年初却是很多人跳槽的热点。另外，因为之前听人说过，要了解一个公司的动态，有一个办法是去看这个公司放出来的招聘岗位，可以知道他们最近哪个业务线要扩张了，哪个业务线要跑人了，以及了解技术需求。

rvest基础语法：

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") #读取数据，规定编码
#之前我是用关键字搜索，阅读html代码，获得html_nodes里需要什么属性，不过许多浏览器有开发者工具，可以直接获得层级信息。如遨游
position<-web %>% html_nodes("li div.hot_pos_l a") %>% html_text()
#上面就是直接读取数据，获得位置信息
#不过在后面做其他网站时发现，有时候信息储存在同类数据里(如div没有class等等)，建议是找一个大的分类，先获得表格信息，再做数据
list_lagou<-web %>% html_nodes("li.clearfix")
#这里正确找准正确的划分点很重要。有<li class="odd clearfix">，其实用li.clearfix一样可以取(对于空格二选一，如"li.odd"或者"li.clearfix")
#接下来的company/position照选即可，因为事先已经分好了list，所以每一个出多少心里有数。。

在讲完原理之后，现在开始尝试写代码

因为里面涉及太多的选取数据工作。为了避免出现太多变量，我最后是编了一个函数，输出数据库

函数部分

#下面开始写代码,首先写一个函数getdata，会输出一个数据框
getdata<-function(page,urlwithoutpage){
        url=paste0(urlwithoutpage,page) #这里输入拉勾网没有页码的url
        web<-html(url,encoding="UTF-8") #读取数据，规定编码,access用
        list_lagou<-web %>% html_nodes("li.clearfix") #获得一个清单，15个职位
        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"))
#接下来的由于数据都存在span里，没有很好的划分。这个取数要复杂一些。我在这里，研究他们的表，先取15个完整list，然后用seq等序列取数
#之后要研究是否有更好的方法
#如果有table，可以直接用data.table取数更快。。。
        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("经验：","",temp[seq(3,90,by=6)]%>% html_text())
        degree<-gsub("最低学历：","",temp[seq(4,90,by=6)]%>%html_text())
        benefit<-gsub("职位诱惑：","",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)
}

然后是使用该函数，我这里就爬两页

#使用该函数，
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))        
} #定义个数，把上面的getdata得到的Data.frame合并
head(final)


上面完成了第一个列表。爬出效果如图


关于这个数据有什么用呢…… 简单来说，我们可以用它来看这个网上有多少在招的，各公司招人的比例，以及薪资水平，做一点基础的数据分析。

虽然我现在不跳槽，不过了解一下市场状况也是不错的~譬如见下图，从目前这网上的平均薪资与工作年限的关系来看，数据分析岗至少在职位前五年属于薪资增长期，初始涨得快，后面涨得慢，但平均应有13%左右的增长？然后这网上目前没有什么高级岗位开出来（工作5-10年的岗位很少），反而是有些公司搞错分类，放了一堆数据录入的到数据分析栏目。。。

值得一提的是，因为数据分析这个类目里包含了不同的类别，如数据录入的也被归到数据分析，还有高薪也被归到这里，所以不能完全按这个做参考。不过这个研究让我深刻体会到了爬虫的有效性！好玩！实用！可以用到工作中去:) 还可以像个猎头一样了解人才市场~~做个有情调的数据分析师~~

另外，其实我们还可以遍历JD，看近期是什么技术最吃香，是R还是Python还是SQL还是SAS还是别的啥啥啥。下面是我随机抽了个JD做的爬虫。可以直接拿到相关数据。

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、计算机、财务、经济相关专业；"
## [2] "2.有证券从业资格证者优先；"          
## [3] "3.想从事文职类工作，对办公软件熟悉；"
## [4] "4.可接收已拿到学历证的应届毕业生。"  
## [5] "<U+00A0>"

注意事项：

对于被编码保护的数据（如国外yellow.local.ch，email被编码保护了。需要用 decodeURIComponent函数反编译。）
xpath语句对html_nodes适用。但是它好像是全局语句。。就是如果用div[1]//span[4]取数的话，它直接就只出全局的那个结果。。。
如
取数，可以用li.da或者li.daew取数，两者等价
正则表达式很有用！！尤其是对网页数据，某些不会写，或者技术高超不愿意被我们爬虫的工程师，用rvest去抓数据，会抓到一堆堆乱码= =这几天练习下来感受到了无尽恶意
中文，html(data,encoding='UTF-8')还有iconv(data,'utf-8','gbk')可以有效避免大部分乱码。但是R对中文支持真的很渣。
rvest对于静态抓取很方便！但是对于脚本访问的网页，还需要继续学习RCurl包。备查资料如下：