星期二, 九月 27, 2011

利用XML包获取网站数据

很多时候我们需要从某个网站上获取原始数据,本例试图利用XML包来获取google top1000的表格数据。

首先读入必要的工具包
library(XML)
library(RColorBrewer)
利用readHTMLTable函数获取top1000的表格数据,并存入到raw变量中。
u = "http://www.google.com/adplanner/static/top1000/"
tables = readHTMLTable(u)
raw = tables[[2]]
colnames(raw)=c('Rank','Site','Category','Users','Reach','Views','Advertising?')
按网站所属行业进行数据汇集
attach(raw)
hangye = aggregate(Category,list(Category),FUN=length)
然后按行业进行排序
hangye1 = hangye[order(hangye$x,decreasing = T),]
hangye1[1:8,]
            Group.1  x
223     Web Portals 67
2                   39
144    Online Games 30
140            News 28
181 Social Networks 27
141      Newspapers 23
173  Search Engines 22
149    Online Video 21

最后绘制条形图,看到网站数量最多的行业是门户网站,其次是未标明的其它类,第三是在线游戏,
barplot(hangye1[1:8,]$x,names.arg=hangye1[1:8,]$Group.1,   col=brewer.pal(8,"Set1"),border="white",ylim=c(0,70),ylab="本行业的网站数目",
main="谷歌Top1000网站前八大行业")  

5 条评论:

  1. 使用readHTMLTable("http://www.footballscores.com/fixtures-results/incidents/newcastle-united_queens-park-rangers/22-12-12/") 读不到Second Half 的table, 有没有办法只能读取某一段,比如tbody /tbody 之内的内容?

    回复删除
    回复
    1. readHTMLTable是比较傻瓜的办法,如果要精确控制要读取的内容呢,可以使用readLine配合正则表达式,或者学习XQuery语法,用XML包提取。

      删除
  2. Submit your blog or website now for inclusion in Google and over 300 other search engines!

    Over 200,000 websites indexed!

    SUBMIT RIGHT NOW with I NEED HITS!

    回复删除