XMLパッケージを使用してHTMLテーブルをRデータフレームにスクレイピングする


153

XMLパッケージを使用してHTMLテーブルをスクレイピングするにはどうすればよいですか?

たとえば、ブラジルのサッカーチームに関するこのWikipediaのページを見てください。私はそれをRで読み、「ブラジルがFIFA認定チームと対戦したすべての試合のリスト」表をdata.frameとして取得したいと考えています。これどうやってするの?


11
xpathセレクターを機能させるには、selectorgadget.com /をチェックしてください-それは素晴らしい
ハドリー

回答:


144

…またはより短い試行:

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]))

選択したテーブルはページで最も長いテーブルです

tables[[which.max(n.rows)]]

readHTMLTableヘルプは、htmlParse()、getNodeSet()、textConnection()およびread.table()を使用してHTML PRE要素からプレーンテキストテーブルを読み取る例も提供しています
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)

追加するように編集:

出力例

                     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%
    ...

7
この他の有用な記事で説明したように、ユーザは、自分の「ユーザーエージェント」の情報を追加しない限り、この記事を見つけるために幸運十分である誰のために、このスクリプトはおそらく実行されません。stackoverflow.com/questions/9056705/...を
Rguy

26

Xpathを使用する別のオプション。

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

この結果を生成します

> 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%

xpathを使用する上で優れた呼び出し。マイナーポイント:// * /を//に変更することで、パス引数をわずかに簡略化できます。たとえば、 "// table [@ class = 'wikitable sortable'] / tr / th"
Richie Cotton

「スクリプトは連絡先情報を含む有益なユーザーエージェント文字列を使用する必要があります。そうしないと、通知なしにIPブロックされる可能性があります。」というエラーが表示されます。[2]「この方法を実装する方法はありますか?
pssguy 2012年

2
オプション(RCurlOptions = list(useragent = "zzzz"))。他の選択肢と議論については、omegahat.org / RCurl / FAQ.htmlセクションの「ランタイム」も参照してください。
学習者、2012

25

rvest一緒には、xml2HTML形式のWebページを解析するための別の人気のパッケージです。

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)

構文はxmlパッケージよりも使いやすく、ほとんどのWebページで、パッケージは必要なオプションをすべて提供します。


read_htmlは、エラー「 'file:///Users/grieb/Auswertungen/tetyana-snp-2016/data/snp-nexus/15/SNP%20Annotation%20Tool.html' does not exist in current working directory( ' / Users / grieb / Auswertungen / tetyana-snp-2016 / code ')。」
scs '14 / 07/14
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.