xml – 使用R对房地产广告进行网络抓取

作为一名经济研究团队的实习生,我的任务是找到一种方法来自动收集房地产广告网站上的特定数据,使用R.

我假设有关的包是XML和RCurl,但我对他们工作的理解非常有限.

这是该网站的主页：http://www.leboncoin.fr/ventes_immobilieres/offres/nord_pas_de_calais/?f=a&th=1&zz=59000
理想情况下,我想构建我的数据库,以便每行对应一个广告.

以下是广告的详细信息：http://www.leboncoin.fr/ventes_immobilieres/197284216.htm?ca=17_s
我的变量是：价格(“Prix”),城市(“Ville”),表面(“表面”),“GES,”Classeénergie“以及房间数量(”Pièces“)以及作为广告中显示的图片数量.我还希望将文本导出为字符向量,稍后我将对其进行文本挖掘分析.

我正在寻找任何帮助,链接到教程或操作方法,这将使我领先一条路.

您可以使用R中的XML包来抓取这些数据.这是一段应该有用的代码.

# DEFINE UTILITY FUNCTIONS

# Function to Get Links to Ads by Page
get_ad_links = function(page){
  require(XML)
  # construct url to page
  url_base = "http://www.leboncoin.fr/ventes_immobilieres/offres/nord_pas_de_calais/"
  url      = paste(url_base,"?o=",page,"&zz=",59000,sep = "")
  page     = htmlTreeParse(url,useInternalNodes = T)

  # extract links to ads on page
  xp_exp   = "//td/a[contains(@href,'ventes_immobilieres')]"
  ad_links = xpathSApply(page,xp_exp,xmlGetAttr,"href")
  return(ad_links)  
}

# Function to Get Ad Details by Ad URL
get_ad_details = function(ad_url){
   require(XML)
   # parse ad url to html tree
   doc = htmlTreeParse(ad_url,useInternalNodes = T)

   # extract labels and values using xpath expression
   labels  = xpathSApply(doc,"//span[contains(@class,'ad')]/label",xmlValue)
   values1 = xpathSApply(doc,'ad')]/strong",xmlValue)
   values2 = xpathSApply(doc,'ad')]//a",xmlValue)
   values  = c(values1,values2)

   # convert to data frame and add labels
   mydf        = as.data.frame(t(values))
   names(mydf) = labels
   return(mydf)
}

以下是如何使用这些函数将信息提取到数据框中.

# grab ad links from page 1
ad_links = get_ad_links(page = 1)

# grab ad details for first 5 links from page 1
require(plyr)
ad_details = ldply(ad_links[1:5],get_ad_details,.progress = 'text')

这将返回以下输出

Prix :     Ville :  Frais d'agence inclus :  Type de bien :  Pièces :  Surface :  Classe énergie :          GES : 
469 000€ 59000 Lille                      Oui          Maison         8     250 m2  F (de 331 à 450)           <NA>
469 000€ 59000 Lille                      Oui          Maison         8     250 m2  F (de 331 à 450)           <NA>
140 000€ 59000 Lille                     <NA>     Appartement         2      50 m2  D (de 151 à 230) E (de 36 à 55)
140 000€ 59000 Lille                     <NA>     Appartement         2      50 m2  D (de 151 à 230) E (de 36 à 55)
170 000€ 59000 Lille                     <NA>     Appartement      <NA>      50 m2  D (de 151 à 230) D (de 21 à 35)

您可以轻松使用apply系列函数循环遍历多个页面,以获取所有广告的详细信息.有两点需要注意.一个是从网站上抓取的合法性.第二个是在循环函数中使用Sys.sleep,这样服务器就不会受到请求的轰炸.

让我知道这是如何工作的

xml – 使用R对房地产广告进行网络抓取

相关推荐