Scraping de tables html dans des trames de données R à l'aide du package XML

153

Comment extraire des tableaux HTML à l'aide du package XML?

Prenez, par exemple, cette page wikipedia sur l' équipe de football brésilienne . Je voudrais le lire en R et obtenir le tableau "Liste de tous les matchs que le Brésil a disputés contre des équipes reconnues par la FIFA" sous forme de data.frame. Comment puis-je faire ceci?

Eduardo Leoni
la source
11
Pour travailler sur les sélecteurs xpath, consultez selectorgadget.com/ - c'est génial
hadley

Réponses:

144

… Ou un essai plus court:

library(XML)
library(RCurl)
library(rlist)
theurl <- getURL("https://en.wikipedia.org/wiki/Brazil_national_football_team",.opts = list(ssl.verifypeer = FALSE) )
tables <- readHTMLTable(theurl)
tables <- list.clean(tables, fun = is.null, recursive = FALSE)
n.rows <- unlist(lapply(tables, function(t) dim(t)[1]))

la table choisie est la plus longue de la page

tables[[which.max(n.rows)]]
Jim G.
la source
L'aide readHTMLTable fournit également un exemple de lecture d'un tableau de texte brut à partir d'un élément HTML PRE à l'aide de htmlParse (), getNodeSet (), textConnection () et read.table ()
Dave X
48
library(RCurl)
library(XML)

# Download page using RCurl
# You may need to set proxy details, etc.,  in the call to getURL
theurl <- "http://en.wikipedia.org/wiki/Brazil_national_football_team"
webpage <- getURL(theurl)
# Process escape characters
webpage <- readLines(tc <- textConnection(webpage)); close(tc)

# Parse the html tree, ignoring errors on the page
pagetree <- htmlTreeParse(webpage, error=function(...){})

# Navigate your way through the tree. It may be possible to do this more efficiently using getNodeSet
body <- pagetree$children$html$children$body 
divbodyContent <- body$children$div$children[[1]]$children$div$children[[4]]
tables <- divbodyContent$children[names(divbodyContent)=="table"]

#In this case, the required table is the only one with class "wikitable sortable"  
tableclasses <- sapply(tables, function(x) x$attributes["class"])
thetable  <- tables[which(tableclasses=="wikitable sortable")]$table

#Get columns headers
headers <- thetable$children[[1]]$children
columnnames <- unname(sapply(headers, function(x) x$children$text$value))

# Get rows from table
content <- c()
for(i in 2:length(thetable$children))
{
   tablerow <- thetable$children[[i]]$children
   opponent <- tablerow[[1]]$children[[2]]$children$text$value
   others <- unname(sapply(tablerow[-1], function(x) x$children$text$value)) 
   content <- rbind(content, c(opponent, others))
}

# Convert to data frame
colnames(content) <- columnnames
as.data.frame(content)

Modifié pour ajouter:

Exemple de sortie

                     Opponent Played Won Drawn Lost Goals for Goals against  % Won
    1               Argentina     94  36    24   34       148           150  38.3%
    2                Paraguay     72  44    17   11       160            61  61.1%
    3                 Uruguay     72  33    19   20       127            93  45.8%
    ...
Coton Richie
la source
7
Pour toute autre personne ayant la chance de trouver ce message, ce script ne s'exécutera probablement pas à moins que l'utilisateur ajoute ses informations "User-Agent", comme décrit dans cet autre article utile: stackoverflow.com/questions/9056705/…
Rguy
26

Une autre option utilisant Xpath.

library(RCurl)
library(XML)

theurl <- "http://en.wikipedia.org/wiki/Brazil_national_football_team"
webpage <- getURL(theurl)
webpage <- readLines(tc <- textConnection(webpage)); close(tc)

pagetree <- htmlTreeParse(webpage, error=function(...){}, useInternalNodes = TRUE)

# Extract table header and contents
tablehead <- xpathSApply(pagetree, "//*/table[@class='wikitable sortable']/tr/th", xmlValue)
results <- xpathSApply(pagetree, "//*/table[@class='wikitable sortable']/tr/td", xmlValue)

# Convert character vector to dataframe
content <- as.data.frame(matrix(results, ncol = 8, byrow = TRUE))

# Clean up the results
content[,1] <- gsub(" ", "", content[,1])
tablehead <- gsub(" ", "", tablehead)
names(content) <- tablehead

Produit ce résultat

> head(content)
   Opponent Played Won Drawn Lost Goals for Goals against % Won
1 Argentina     94  36    24   34       148           150 38.3%
2  Paraguay     72  44    17   11       160            61 61.1%
3   Uruguay     72  33    19   20       127            93 45.8%
4     Chile     64  45    12    7       147            53 70.3%
5      Peru     39  27     9    3        83            27 69.2%
6    Mexico     36  21     6    9        69            34 58.3%
apprendre
la source
Excellent appel sur l'utilisation de xpath. Point mineur: vous pouvez légèrement simplifier l'argument du chemin en changeant // * / en //, par exemple "// table [@ class = 'wikitable sortable'] / tr / th"
Richie Cotton
J'obtiens une erreur "Les scripts doivent utiliser une chaîne utilisateur-agent informative avec des informations de contact, ou ils peuvent être bloqués par IP sans préavis." [2] "Y a-t-il un moyen de contourner cela pour implémenter cette méthode?
pssguy
2
options (RCurlOptions = list (useragent = "zzzz")). Voir aussi omegahat.org/RCurl/FAQ.html section "Runtime" pour d'autres alternatives et discussions.
learnr
25

Le rvestavec xml2est un autre package populaire pour l'analyse des pages Web html.

library(rvest)
theurl <- "http://en.wikipedia.org/wiki/Brazil_national_football_team"
file<-read_html(theurl)
tables<-html_nodes(file, "table")
table1 <- html_table(tables[4], fill = TRUE)

La syntaxe est plus facile à utiliser que le xmlpackage et pour la plupart des pages Web, le package fournit toutes les options dont vous avez besoin.

Dave2e
la source
Le read_html me donne l'erreur "'file: ///Users/grieb/Auswertungen/tetyana-snp-2016/data/snp-nexus/15/SNP%20Annotation%20Tool.html' n'existe pas dans le répertoire de travail actuel (' / Users / grieb / Auswertungen / tetyana-snp-2016 / code '). "
scs