作为一名经济研究团队的实习生,我的任务是找到一种方法来自动收集房地产广告网站上的特定数据,使用R.
我假设有关的包是XML和RCurl,但我对他们工作的理解非常有限.
这是该网站的主页：http://www.leboncoin.fr/ventes_immobilieres/offres/nord_pas_de_calais/?f=a&th=1&zz=59000
理想情况下,我想构建我的数据库,以便每行对应一个广告.
以下是广告的详细信息：http://www.leboncoin.fr/ventes_immobilieres/197284216.htm?ca=17_s
我的变量是：价格(“Prix”),城市(“Ville”),表面(“表面”),“GES,”Classeénergie“以及房间数量(”Pièces“)以及作为广告中显示的图片数量.我还希望将文本导出为字符向量,稍后我将对其进行文本挖掘分析.
您可以使用R中的XML包来抓取这些数据.这是一段应该有用的代码.
# DEFINE UTILITY FUNCTIONS
# Function to Get Links to Ads by Page
get_ad_links = function(page){
require(XML)
# construct url to page
url_base = "http://www.leboncoin.fr/ventes_immobilieres/offres/nord_pas_de_calais/"
url = paste(url_base,"?o=",page,"&zz=",59000,sep = "")
page = htmlTreeParse(url,useInternalNodes = T)
# extract links to ads on page
xp_exp = "//td/a[contains(@href,'ventes_immobilieres')]"
ad_links = xpathSApply(page,xp_exp,xmlGetAttr,"href")
return(ad_links)
}
# Function to Get Ad Details by Ad URL
get_ad_details = function(ad_url){
require(XML)
# parse ad url to html tree
doc = htmlTreeParse(ad_url,useInternalNodes = T)
# extract labels and values using xpath expression
labels = xpathSApply(doc,"//span[contains(@class,'ad')]/label",xmlValue)
values1 = xpathSApply(doc,'ad')]/strong",xmlValue)
values2 = xpathSApply(doc,'ad')]//a",xmlValue)
values = c(values1,values2)
# convert to data frame and add labels
mydf = as.data.frame(t(values))
names(mydf) = labels
return(mydf)
}
# grab ad links from page 1 ad_links = get_ad_links(page = 1) # grab ad details for first 5 links from page 1 require(plyr) ad_details = ldply(ad_links[1:5],get_ad_details,.progress = 'text')
这将返回以下输出
Prix : Ville : Frais d'agence inclus : Type de bien : Pièces : Surface : Classe énergie : GES : 469 000€ 59000 Lille Oui Maison 8 250 m2 F (de 331 à 450) <NA> 469 000€ 59000 Lille Oui Maison 8 250 m2 F (de 331 à 450) <NA> 140 000€ 59000 Lille <NA> Appartement 2 50 m2 D (de 151 à 230) E (de 36 à 55) 140 000€ 59000 Lille <NA> Appartement 2 50 m2 D (de 151 à 230) E (de 36 à 55) 170 000€ 59000 Lille <NA> Appartement <NA> 50 m2 D (de 151 à 230) D (de 21 à 35)
您可以轻松使用apply系列函数循环遍历多个页面,以获取所有广告的详细信息.有两点需要注意.一个是从网站上抓取的合法性.第二个是在循环函数中使用Sys.sleep,这样服务器就不会受到请求的轰炸.
让我知道这是如何工作的
