r语言爬虫正则表达式请教

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

从国家统计局网站上对统计公报进行爬取各地市GDP指标数值，碰到正则表达式问题，想请教论坛里高手如何解决 。从字符串提取数值应该如何写正则表达式比较好

统计公告示例：http://www.tjcn.org/tjgb/09sh/35333.html，http://www.tjcn.org/tjgb/03hb/36482.html

开始，在高人指点下成功拿到数据，
url<- "http://www.tjcn.org/tjgb/03hb/36482.html"
           web = read_html(url,encoding="gbk'")
           text =  web %>% html_nodes("div")%>% html_text()
           text = noquote(text)
         text<-grep('市生产总值',text,value=T)
         gdp=gsub('(.+)(市生产总值完成)([0-9]+.[0-9]+)(.+)',"\\3",text)
        gdp=gdp[1]  
但后来发现不是所有的地市都这么写“全年全市生产总值完成3224.0亿元”，不同地市写法差别很大：
全年实现上海市生产总值(GDP)30133.86亿元
全市生产总值实现1506.01亿元，
全市生产总值实现1506.01亿元，
还有地市不提供具体数值，“全市生产总值按可比价格计算比上年增长5.5%”。
于是先后改成以下几种形式， 都没有成功。
gdp=gsub'(.+)(市生产总值+)([0-9]+.[0-9]+)(亿元+)',"\\3",text)  
gdp=gsub('(.*市.*生产总值.+)([0-9]+\.[0-9]+亿元)(.+)',"\\2",text)
gdp=gsub('(.*市.*生产总值.+)([[0-9]（4}.[0-9]*亿元)(.+)',"\\2",text)  

失败结果
[1] "初步核算，全年全市生产总值完成3224.0亿元，比上年增长6.7%。其中，第一产业增加值349.8亿元，增长2.0%；第二产业增加值1107.5亿元，增长3.3%；第三产业增加值1766.7亿元，增长10.1%。三次产业结构为10.8:34.4:54.8。全市人均生产总值34374元，比上年增长6.3%。"
[2] "全市民营经济增加值完成2218.1亿元，比上年增长7.2%，占全市生产总值的比重为68.8%，提高0.8个百分点。"   

   

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1 回帖

关键词：正则表达式 表达式 R语言 国家统计局网站 国家统计局网