- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个项目,我应该从新闻网站上抓取一系列文章。我对新闻的标题和正文感兴趣。在大多数情况下,网站会维护一个基本 URL,例如:
https://www.americanthinker.com/articles/2019/11/why_rich_people_love_poor_immigrants.html https://tmp.americanthinker.com/blog/2015/01/california_begins_giving_drivers_licenses_to_illegal_aliens.html
由于要下载的文章太多(超过1000篇),我想到创建一个自动下载所有数据的功能。向量将提供所有网址(每行一个):
article
[1] "https://www.americanthinker.com/articles/2019/11/why_rich_people_love_poor_immigrants.html"
[2] "https://tmp.americanthinker.com/blog/2015/01/california_begins_giving_drivers_licenses_to_illegal_aliens.html"
[3] "https://www.americanthinker.com/articles/2018/11/immigrants_will_not_fund_our_retirement.html"
> str(article)
chr [1:3] "https://www.americanthinker.com/articles/2019/11/why_rich_people_love_poor_immigrants.html" ...
> summary(article)
Length Class Mode
3 character character
因此,脚本将使用向量作为地址源,并创建一个包含每篇文章的标题和文本的数据框。但会弹出一些错误。以下是我根据一系列 Stack Overflow 帖子编写的代码:
套餐
library(rvest)
library(purrr)
library(xml2)
library(dplyr)
library(readr)
导入 CSV 并导出为矢量
base <- read_csv(file.choose(), col_names = FALSE)
article <- pull(base,X1)
第一次尝试
articles_final <- map_df(article, function(i){
pages<-read_html(article)
title <-
article %>% map_chr(. %>% html_node("h1") %>% html_text())
content <-
article %>% map_chr(. %>% html_nodes('.article_body span') %>% html_text() %>% paste(., collapse = ""))
article_table <- data.frame("Title" = title, "Content" = content)
return(article_table)
})
第二次尝试
map_df(1:3, function(i){
page <- read_html(sprintf(article,i))
data.frame(Title = html_text(html_nodes(page,'.h1')),
Content= html_text(html_nodes(page,'.article_body span')),
Site = "American Thinker"
)
}) -> articles_final
在这两种情况下,我在运行这些函数时都会收到以下错误:
Error in doc_parse_file (con, encoding = encoding, as_html = as_html, options = options):
Expecting a single string value:
[type = character; extent = 3].
我需要它来下载和分析文章
非常感谢您的帮助。
编辑
我尝试了下面建议的代码:
I tried and it dod not work, some problem with my coding:
> map_dfc(.x = article,
+ .f = function(x){
+ foo <- tibble(Title = read_html(x) %>%
+ html_nodes("h1") %>%
+ html_text() %>%
+ .[nchar(.) > 0],
+ Content = read_html(x) %>%
+ html_nodes("p") %>%
+ html_text(),
+ Site = "AmericanThinker")%>%
+ filter(nchar(Content) > 0)
+ }
+ ) -> out
Error: Argument 3 must be length 28, not 46
但是当你看到一个新的错误弹出时
最佳答案
这是我为你尝试过的。我正在使用选择器小工具并检查页面源代码。经过一番检查,我认为你需要使用 <title>
和<div class="article_body">
。 map()
部分是循环浏览 article
中的三篇文章并创建一个数据框。每一行代表每一篇文章。我认为您仍然需要进行一些字符串操作才能获得干净的文本。但这将帮助您抓取所需的内容。
library(tidyverse)
library(rvest)
article <- c("https://www.americanthinker.com/articles/2019/11/why_rich_people_love_poor_immigrants.html",
"https://tmp.americanthinker.com/blog/2015/01/california_begins_giving_drivers_licenses_to_illegal_aliens.html",
"https://www.americanthinker.com/articles/2018/11/immigrants_will_not_fund_our_retirement.html")
map_dfr(.x = article,
.f = function(x){
tibble(Title = read_html(x) %>%
html_nodes("title") %>%
html_text(),
Content = read_html(x) %>%
html_nodes(xpath = "//div[@class='article_body']") %>%
html_text(),
Site = "AmericanThinker")}) -> result
# Title Content Site
# <chr> <chr> <chr>
#1 Why Rich People Love Poor Immigra… "Soon after the Immigration Act of 1965 was passed, rea… AmericanT…
#2 California begins giving driver's… "The largest state in the union began handing out driv… AmericanT…
#3 Immigrants Will Not Fund Our Reti… "Ask Democrats why they support open borders, and they … AmericanT…
关于r - 使用 R 和 rvest 进行网络抓取,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59580096/
我在网上搜索但没有找到任何合适的文章解释如何使用 javascript 使用 WCF 服务,尤其是 WebScriptEndpoint。 任何人都可以对此给出任何指导吗? 谢谢 最佳答案 这是一篇关于
我正在编写一个将运行 Linux 命令的 C 程序,例如: cat/etc/passwd | grep 列表 |剪切-c 1-5 我没有任何结果 *这里 parent 等待第一个 child (chi
所以我正在尝试处理文件上传,然后将该文件作为二进制文件存储到数据库中。在我存储它之后,我尝试在给定的 URL 上提供文件。我似乎找不到适合这里的方法。我需要使用数据库,因为我使用 Google 应用引
我正在尝试制作一个宏,将下面的公式添加到单元格中,然后将其拖到整个列中并在 H 列中复制相同的公式 我想在 F 和 H 列中输入公式的数据 Range("F1").formula = "=IF(ISE
问题类似于this one ,但我想使用 OperatorPrecedenceParser 解析带有函数应用程序的表达式在 FParsec . 这是我的 AST: type Expression =
我想通过使用 sequelize 和 node.js 将这个查询更改为代码取决于在哪里 select COUNT(gender) as genderCount from customers where
我正在使用GNU bash,版本5.0.3(1)-发行版(x86_64-pc-linux-gnu),我想知道为什么简单的赋值语句会出现语法错误: #/bin/bash var1=/tmp
这里,为什么我的代码在 IE 中不起作用。我的代码适用于所有浏览器。没有问题。但是当我在 IE 上运行我的项目时,它发现错误。 而且我的 jquery 类和 insertadjacentHTMl 也不
我正在尝试更改标签的innerHTML。我无权访问该表单,因此无法编辑 HTML。标签具有的唯一标识符是“for”属性。 这是输入和标签的结构:
我有一个页面,我可以在其中返回用户帖子,可以使用一些 jquery 代码对这些帖子进行即时评论,在发布新评论后,我在帖子下插入新评论以及删除 按钮。问题是 Delete 按钮在新插入的元素上不起作用,
我有一个大约有 20 列的“管道分隔”文件。我只想使用 sha1sum 散列第一列,它是一个数字,如帐号,并按原样返回其余列。 使用 awk 或 sed 执行此操作的最佳方法是什么? Accounti
我需要将以下内容插入到我的表中...我的用户表有五列 id、用户名、密码、名称、条目。 (我还没有提交任何东西到条目中,我稍后会使用 php 来做)但由于某种原因我不断收到这个错误:#1054 - U
所以我试图有一个输入字段,我可以在其中输入任何字符,但然后将输入的值小写,删除任何非字母数字字符,留下“。”而不是空格。 例如,如果我输入: 地球的 70% 是水,-!*#$^^ & 30% 土地 输
我正在尝试做一些我认为非常简单的事情,但出于某种原因我没有得到想要的结果?我是 javascript 的新手,但对 java 有经验,所以我相信我没有使用某种正确的规则。 这是一个获取输入值、检查选择
我想使用 angularjs 从 mysql 数据库加载数据。 这就是应用程序的工作原理;用户登录,他们的用户名存储在 cookie 中。该用户名显示在主页上 我想获取这个值并通过 angularjs
我正在使用 autoLayout,我想在 UITableViewCell 上放置一个 UIlabel,它应该始终位于单元格的右侧和右侧的中心。 这就是我想要实现的目标 所以在这里你可以看到我正在谈论的
我需要与 MySql 等效的 elasticsearch 查询。我的 sql 查询: SELECT DISTINCT t.product_id AS id FROM tbl_sup_price t
我正在实现代码以使用 JSON。 func setup() { if let flickrURL = NSURL(string: "https://api.flickr.com/
我尝试使用for循环声明变量,然后测试cols和rols是否相同。如果是,它将运行递归函数。但是,我在 javascript 中执行 do 时遇到问题。有人可以帮忙吗? 现在,在比较 col.1 和
我举了一个我正在处理的问题的简短示例。 HTML代码: 1 2 3 CSS 代码: .BB a:hover{ color: #000; } .BB > li:after {
我是一名优秀的程序员,十分优秀!