我正在尝试使用 XML 包抓取一些表格(选举数据)。浏览 SO,我发现了如何使用以下方法抓取单个 url:
library(XML)
url <- "http://www.elecciones2011.gob.ar/paginas/paginas/dat99/DPR99999A.htm"
total <- readHTMLTable(url)
n.rows <- unlist(lapply(total, function(t) dim(t)[1]))
df<-as.data.frame(total[[which.max(n.rows)]])
通过上面的代码,我得到了一个足够好的结果。我还能够(通过 readLines 函数和一些调整)获得一个包含我想要抓取的所有 url 的向量。像这样:
base_url <- "http://www.elecciones2011.gob.ar/paginas/paginas/"
urls <- paste(
base_url,
c(
"dat02/DPR02999A",
"dat03/DPR03999A",
"dat04/DPR04999A",
"dat05/DPR05999A",
"dat06/DPR06999A",
"dat07/DPR07999A",
"dat08/DPR08999A",
"dat09/DPR09999A",
"dat10/DPR10999A",
"dat11/DPR11999A",
"dat12/DPR12999A",
"dat13/DPR13999A",
"dat14/DPR14999A",
"dat15/DPR15999A",
"dat16/DPR16999A",
"dat17/DPR17999A",
"dat18/DPR18999A",
"dat19/DPR19999A",
"dat20/DPR20999A",
"dat21/DPR21999A",
"dat22/DPR22999A",
"dat23/DPR23999A",
"dat24/DPR24999A"
),
".htm",
sep = ""
)
我想做的是创建一个函数,在所有 url 中运行 readHTMLTable 函数,并将结果存储在向量或数据框中(一个或多个,无论哪个更容易)。我是 R 的新手,而且我特别不擅长函数。我试过类似...
tabla<- for (i in urls){
readHTMLTable(urls)
}
...但还差得远。
最佳答案
最基本的方法,使用循环。这只是将您提供的代码包装在 for
中。
tabla <- list()
for(i in seq_along(urls))
{
total <- readHTMLTable(urls[i])
n.rows <- unlist(lapply(total, function(t) dim(t)[1]))
tabla[[i]] <- as.data.frame(total[[which.max(n.rows)]])
}
一种更优雅的方法,使用 lapply
。现在提供的代码被放入一个函数中,每个 url 都会调用该函数。
tabla <- lapply(urls, function(url) {
total <- readHTMLTable(url)
n.rows <- unlist(lapply(total, function(t) dim(t)[1]))
as.data.frame(total[[which.max(n.rows)]])
})
关于r - 如何从链接列表中抓取 HTML 表格,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/7924409/