R语言从小木虫网页批量提取考研调剂信息

getinf <- function(topic){
pattern1 <- "招[u4E00-u9FA5]+[0-9-]*[u4E00-u9FA5]*[:、;,,;]*[u4E00-u9FA5]*[:、;,,;]*[u4E00-u9FA5]*[:、;,,;]*[u4E00-u9FA5]*[:、;,,;]*[u4E00-u9FA5]*(研究生)|(调剂)"
pattern2 <- "([u4E00-u9FA5]*课题组|[u4E00-u9FA5]*团队)"  
pattern21 <- "[u4E00-u9FA5]*[:、;,,;]*(教授|博士)"
pattern3 <- "[u4E00-u9FA5]*[:、;,,;]*[-A-Za-z0-9_.%]+@[-A-Za-z0-9_.%]+\.[A-Za-z]+[.A-Za-z]*"
    #相配@163.com类要么@abc.edu.cn两类邮箱
pattern4 <- "[u4E00-u9FA5]+老师"  #特别某先生
pattern5 <- "[u4E00-u9FA5]*[::]*1[3,5,8]{1}[0-9]{1}[0-9]{8}|0[0-9]{2,3}-[0-9]{7,8}(-[0-9]{1,4})?" #合营联系人和编号
pattern6 <- "(主|从事)*[u4E00-u9FA5]*(的研究|方向)为*[:、;,,;]*[u4E00-u9FA5]*"
pattern7 <- "[u4E00-u9FA5]+(大学|学院|研究院|研究所)"
pattern8 <-"[-A-Za-z0-9_.%]+@[-A-Za-z0-9_.%]+\.[A-Za-z]+[.A-Za-z]*" #准确相配邮箱

        那时笔者使用先从事教育工作授招生网页提取全体U奇骏L,再匹配 html * .html格式的U库罗德L,最后再前边加上 的策略。

三、从HTML树中收获我们所要的多寡

        h <- basicTextGatherer( )   # 查看服务器重临的头消息
        txt <- getURL(url, headerfunction = h$update,.encoding="UTF-8...")  # 再次来到字符串情势html

        strURLs=""

        strURLs <- c(strURLs,paste(rep("""))

       小木虫网页代码查看

XML包:

        strU奥德赛Ls包含了富有1到50页导师招生网页的网站。

       导师招生第二页,第三页。

提起底祝全部考研人都能学有所成被心仪的学校选取!

        getHTMLLinks(doc,  xpQuery = "//a/@href"...) #doc为分析后的HTML树文件,xpQuery内定想相称的Xpath成分(上面会详细讲一点Xpath基础)。

                      图片 1

       网页的编码情势有相当多,经常选用UTF-8,一些中文网页编码格局为“gbk",能够在浏览器的网页代码查看大概getUSportageL再次来到的字符串见到。

      getNodeSet(doc,'//p')

 

strURLs=""
n=50
dat <- data.frame("URL"="URL","类别"="类别","大学"="大学","课题"="课题","PI"="PI","联系人"="联系人","邮箱"="邮箱","方向"="方向","电话"="电话")
strURLs <- c(strURLs,paste(rep("""))
output1 <- "a2017.2.21.txt" #未管理数据,用于进一步管理
output2 <- "b2017.2.21.txt" #一发筛选的数目,用于查看

       大切诺基语言XML包 具备读取恐怕创立XML(HTML)文件的效果,能够当和姑件也支撑HTTP 或许 FTP ,也提供Xpath(XML路线语言)分析方法。此处函数htmlparse,将文件剖判为XML或然HTML树,便于越发数据的领取或然编辑。

 

        R命令:

        开采首页网址是  +   第几页   +.html 

                      图片 2

                   图片 3

        自定义greg函数用刘阳则相配,而且得到相称到的字符串。
            greg <- function(pattern,istring){
                gregout <- gregexpr(pattern,istring)   #pattern为合营形式,istring为待匹配的字符串
                substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
             }

        图片 4

一、从UEnclaveL读取并再次来到html树

 

 

  xmlValue(getNodeSet(a,'//p')[[2]]) 得到我们所要的内容


  


   此时,我们获得了每一个话题的内容,我们就可以从内容中提取有效信息,是否招调剂,大学名,导师名字,研究方向,联系人,邮箱,电话等。

        用getHTMLLinks函数查看导师招生里面全体UOdysseyL,再对照话题网站。

      图片 5

gettopic <- function(doc){
    xmlValue(getNodeSet(doc,'//p')[[2]])
}

greg <- function(pattern,istring){
    gregout <- gregexpr(pattern,istring)
    substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
}

 

 

write.table(dat, file = output1, row.names = F, col.names=F,quote = F, sep="t")  # tab 分隔的文本
message("完成!")

        在教授招生页面下,有非常多话题,我们必要获得各种话题的链接。

    3.2 获得有个别成分的剧情

四、从小木虫获取调弄整理音讯实例

      图片 6

 

        于是网站大家得以手动编辑。

       参数url即为须求拜见的url这里参数用headerfunction用到上一条命令归来的头新闻,.encoding钦定网页的编码格局为“UTF-8"。

 

        开掘话题网站是组成元素是 + html/201702/11075436.html 类似的URL

cate <- greg(pattern1,topic)
proj <- greg(pattern2,topic)
PI <- greg(pattern21,topic)
email <- greg(pattern3,topic)
man <- greg(pattern4,topic)
phone <- greg(pattern5,topic)
direc <- greg(pattern6,topic)
univ <- greg(pattern7,topic)
print(cate)
if (greg("(分子|生物|植物|细胞|医学|动物|水)+",topic) !=""){
    if (man =="" && proj != ""){
        man <- unlist(strsplit(proj,"课题组")[1])
    }
 
    if (email != ""){
      email <- greg(pattern10,email)
    }
    
    data.frame("类别"=cate,"大学"=univ,"课题"=proj,"PI"=PI,"联系人"=man,"邮箱"=email,"方向"=direc,"电话"=phone)
}
else{
  return("")
}
}

     

download <- function(strURL){
    h <- basicTextGatherer()# 查看服务器重返的头新闻
    txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串方式
    htmlParse(txt,asText=T,encoding="gbk")      #选拔gbk举办网页的解析
}

     先输入指令

XML基本知识:

参谋资料:

二、得到二个网页全体的U奥迪Q3L

    2.2赢得每一页导师招生里面多少个话题的链接

 

       这里我们须要读取网页,何况得到该网页的html树内容

        举例要定位到html下的body下的div,path 即为/html/body/div,也可//body/div直接从body开头定点。重回列表,假若固定到两个因素,将赶回多少个因素的列表。此次我们要定为到网页的话题内容:

    临时候大家须求步向各类网页上的子链接取剖判数据,这一年能够用到XML包的getHTMLLinks函数。

Rcurl包 :

       此处

    下边是小木虫的部分html:

   html为根元素,head和body是html的子元素,div是body的子成分,div有品质id,style,属性后边对应着属性值。“小木虫---“一行是p元素的文本内容。

    此处大家供给获得小木虫“导师招生”页面下的全体话题链接。

       此处用到XML包中的getNodeSet函数,getNodeSet函数

       xmlValue(x...) # x正是getNodeSet获得的指标

      可是回去的结果是个指标,要转移为字符串要用到函数xmlValue得到成分值。

      可知小木虫网页编码方式为gbk。

        n=50

    R命令:

       

 

        R命令:

        htmlParse(file,asText=T,encoding="UTF-8"...) #参数file 即为XML可能HTML文件名可能text,asText参数是T钦点file是text,encoding钦赐网页编码格局。

      getNodeSet(doc,'//p')[[2]]正是大家供给的原委。

            extradress <- function(strURL){
                 prefix <- ""
                 pattern <- "html/[0-9/]+.html"
                 links <- getHTMLLinks(strURL)
                 needlinks <- gregexpr(pattern,links)
                 needlinkslist <- list()
                for (i in which(unlist(needlinks)>0)){
                    preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
                    needlinkslist<- c(needlinkslist,list(preadress))
                   adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
                 }
                return (adresses)
                 }

       使用酷路泽curl包可以实惠的向服务器发出诉求,捕获UXC60I,get 和 post 表单。比Highlander socktet连接要提供更加高水准的相互,并且支持FTP/FTPS/TFTP,SSL/HTTPS,telnet 和cookies等。本文用到的函数是basicTextGatherer和getUOdysseyL。想详细摸底那一个包的能够点击参照他事他说加以考察资料的链接。

         自定义extradress函数,用于提取strU揽胜极光L网页的中的 U奇骏L ,最后管理回来各种话题网页的链接。

dat <- read.table(output1,sep="t",header=T)
dat <- dat[dat$邮箱, ] #去除未有邮箱数据
dat <- dat[!duplicated(dat$邮箱), ]  #删去重复邮箱数据
dat$index <- as.numeric(rownames(dat))
dat <- dat[order(dat$index,decreasing=F),] #将乱序后的多少重复依照index排序
dat$index <- NULL
write.table(dat, file = output2, row.names = F, col.names=F,quote = F, sep="t")  # tab 分隔的公文
message("完成!")

     

    我师妹是生物正式的内需调养的学习者,今后亟待从小木虫网址提取别人发布的音信,做成三个报表情势,便于筛选查看和出殡和埋葬邮件。

        导师招生首页

for ( strURL in strURLs){
    adresses <- extradress(strURL)
    for (adress in adresses){
      message(adress)
      doc <- download(adress)
      topic <- gettopic(doc)
      inf <- getinf(topic)
      if (inf != ""){
        URL <- data.frame("URL"=adress)
        inf <- cbind(URL,inf)
        dat<- rbind(dat,inf)
      }
    }
}

        getNodeSet(doc, path...) #doc 就是html树文件对象,path 正是因素路线。可以用/从根成分一斑斑钦点路径,也能够用//直接固定到某一层成分。

    2.1 首先大家要获得导师招生的首先页,第二页,第三页,以至到结尾一页的网站。

                                  图片 7

    3.1 XML文书档案基本知识

     1.2  XML包

 

 

    图片 8

 

            download <- function(strURL){
              h <- basicTextGatherer( )# 查看服务器再次回到的头音信
              txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串方式
               htmlParse(txt,asText=T,encoding="gbk")      #挑选gbk实行网页的剖判
             }

        R命令:

extradress <- function(strURL){
  prefix <- ""
  pattern <- "html/[0-9/]+.html"
  links <- getHTMLLinks(strURL)
  needlinks <- gregexpr(pattern,links)
  needlinkslist <- list()
  for (i in which(unlist(needlinks)>0)){
    preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
    needlinkslist<- c(needlinkslist,list(preadress))
    adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
  }
  return (adresses)
}

                        图片 9

             

        自定义函数download,输入strULANDL,strU奥迪Q7L为网站,重回html树内容

    1.1 Rcurl包

   以下是成套代码内容

 

     大家这里直接定位到p成分,再从列表中筛选。

library(RCurl)
library(XML)

本文由开元棋牌发布于服务器&运维,转载请注明出处:R语言从小木虫网页批量提取考研调剂信息

TAG标签:
Ctrl+D 将本页面保存为书签,全面了解最新资讯,方便快捷。