感謝我們的工作人員–呂奕，給了一篇文章介紹爬蟲用的新套件， 轉貼網址：http://leoluyi.logdown.com/posts/432582-xmlview-package
在寫爬蟲的過程中，常需要針對取得的 html 檢查內容，並用 XPath 或 CSS selector 擷取所需要的資料區塊。但在使用 IDE 撰寫腳本時，要做到這些事必須要把 html 的文本內容 print 出來，或是另存成 html file 再用瀏覽器檢視；若測試 XPath 時，因無法很清楚地直接在 console 瀏覽 xml 的樹狀結構，所以原本需搭配 Chrome 的 XPath Helper 會比較方便。
xmlview package 提供了一個在 RStudio 上互動檢視 XML 以及測試 XPath 的方式，這裡用個簡單的 XML 當例子：
|
1 2 3 4 5 6 7 |
# devtools::install_github("hrbrmstr/xmlview") library(xml2) library(xmlview) library(magrittr) ## plain text XML xml_view("<note><to>Dale</to><from>Chip</from><heading>Reminder</heading><body>Baby, don't forget tonight! xxxxx</body></note>") |
利用 xml_view 這個函數吃進 XML string，即可得到 Parsed 後的顯示，
XPath 測試
用 PTT 的隨便一篇文章當範例，先把網頁的內容抓 下來，並用 read_html 做成xml_document 物件：
|
1 2 3 |
## read-in XML document doc <- xml2::read_html("https://www.ptt.cc/bbs/Stock/M.1452818794.A.FEC.html",encoding = "UTF-8") # xml_view(doc, add_filter = TRUE) |
由於 read_html 會自動將內容轉換成 unmarked UTF-8 encoding，經測試吃進時xml_view無法顯示，所以必須先轉換成 marked UTF-8 encoding 或 system locale (e.g., Big5) 才能正確顯示，因此這裡先把 xml_document 直接轉成character 後再調整 encoding，
|
1 2 |
doc_string <- as.character(doc) %>% `Encoding<-`("UTF-8") xml_view(doc_string, add_filter=TRUE) |
吃進去 xml_view 後，在 RStudio 的 Viewer pane 顯示了剛才的網頁內容，因為加了add_filter=TRUE 這個參數，因此上方出現了 XPath 的輸入框，輸入想測試的 XPath expression 後直接按 enter 就會馬上跑出結果，還可以按下"R"的圖示自動產生 R code 可直接複製貼上。
最後就得到想要的資料了！
|
1 2 3 4 |
xml_find_all(doc, '//span[@class="f3 push-content"]', ns=xml2::xml_ns(doc)) ## or you want to use rvest package # doc %>% rvest::html_nodes(xpath = '//span[@class="f3 push-content"]') |
只是在 Windows 的 encoding 問題還是要再處理一下，
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
doc %>% rvest::html_nodes(xpath = '//span[@class="f3 push-content"]') %>% rvest::html_text() %>% `Encoding<-`("UTF-8") %>% gsub("^: ", "",.) ## [1] "他，還有隱形眼鏡" ## [2] "她,還有雙鏡頭" ## [3] "蘋果怎麼可能容忍供應商EPS180但又不降價？" ## [4] "它，還有眼鏡蛇" ## [5] "不要看新聞做股票吧" ## [6] "外資要壓低吃貨囉" ## [7] "再爛股價還是會維持四位數啦" |
Be First to Comment