文本挖掘之数据爬虫

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

       今天主要介绍一下，文本挖掘的数据获取方式，上一篇很多人在问数据如何获取，今天给大家介绍下数据获取的方式，主要利用爬虫抓取数据。基于，之前对python爬虫没接触过，尝试过用R爬虫，今天就来介绍下，如何用R爬取股吧的评论数据，关于R爬虫网上也有很多参考资料，在参考了网上大神的思路方法后，自己尝试了对股吧数据进行爬取，结果爬取下来的数据还是比较规范，能够满足我的分析需求的。       R进行爬虫，经常用的包有RCurl和rvest两个包，这里我主要介绍rvest包爬虫，大致的思路其实是一样的，爬虫之前需要对网页有个基本的了解，会查看网页相应的审核元素，找到相应的节点所在的位置，找到节点的类型class，这些了解了，后面爬虫就会得心应手很多。不多说了，先上代码吧。
library(rvest)
library(xml2)
library(sqldf)
library(gsubfn)
library(proto)
library(RSQLite)
library(DBI)
library(data.table)
library(stringr)
extradata<-function(i,non_pn_url){
     url<-paste0(non_pn_url,i)##先给一个没有页码的网页#
     web<-html(url)#通过html解析网页##
     title<-web %>% html_nodes("div.articleh span.l3 a")%>%html_text()%>% .[c(seq(1,86,1))] %>% as.character()##找到评论数据对应的节点类型，匹配获取节点##
     paperlink<-gsub("\\?source\\=search","",web %>% html_nodes("div.articleh") %>% html_attr("href"))%>% .[c(seq(2,20,2))]##获取网页跳转连接##
     paperlink<-paste0("http://www.eastmoney.com/",paperlink) %>% as.character()###输入无页码链接 ##
     author<-web %>% html_nodes("div.articleh span.l4") %>% html_text()##匹配获取作者的class节点
     posttime<-web %>% html_nodes("div.articleh span.l6") %>% html_text()
     update_time<-web %>% html_nodes("div.articleh span.l5") %>% html_text()
     count_of_comment<-web %>% html_nodes("div.articleh span.l2") %>% html_text()
     count_of_read<-web %>% html_nodes("div.articleh span.l1") %>% html_text()
     data.frame(title,author,posttime,update_time,count_of_comment,count_of_read)##构造一个数据框##
}
finaldata<-data.frame()
url<-'http://guba.eastmoney.com/list,002373.html?from=BaiduAladdin'##获取有页码的第一页的链接
for(i in 1:25){
    extradata(i,url)
    finaldata<-rbind(finaldata,extradata(i,url))
}##这里是抓取了25页的数据#
finaldata1<-as.data.frame(finaldata)
names(finaldata)
dim(finaldata1)
head(finaldata)
        最后来看看爬虫抓取的数据效果


       爬虫内容今天就介绍到这里，后续有新的发现在跟进 ，希望小伙伴们多提提意见，这里也感谢参考的牛人大神们的分享。

文章改编自《文本挖掘之数据爬虫》

原文链接：http://quant.jd.com/community/subjectDetails/175

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖