r - 使用 R 进行网页抓取和循环浏览页面

Question

我正在学习数据抓取，最重要的是，我是 R 的新手(在工作中我使用 STATA，我仅将 R 用于非常具体的任务)。为了学习抓取，我在《今日心理学》上阅读了几页内容进行练习。

我编写了一个函数，允许我抓取一位治疗师的信息，并使用以这种方式收集的信息创建一个数据集:

install.packages('rvest') #Loading the rvest package
install.packages('xml2') #Loading the xml2 package
library('rvest') #to scrape
library('xml2')  #to handle missing values (it works with html_node, not with html_nodes)

#Specifying the url for desired website to be scraped
url <- 'https://www.psychologytoday.com/us/therapists/THE_ONE_YOU_WANT'

#Reading the HTML code from the website
URL <- read_html(url)

#creating the function
getProfile <- function(profilescrape) {

      ##NAME
            #Using CSS selectors to name
            nam_html <- html_node(URL,'.contact-name')
            #Converting the name data to text
            nam <- html_text(nam_html)
            #Let's have a look at the rankings
            head(nam)
            #Data-Preprocessing: removing '\n' (for the next informations, I will keep \n, to help 
            #                                   me separate each item within the same type of 
            #                                   information)
            nam<-gsub("\n","",nam)
            head(nam)
            #Convering each info from text to factor
            nam<-as.factor(nam)
            #Let's have a look at the name
            head(nam)


        ##MODALITIES
            #Using CSS selectors to modality
            mod_html <- html_node(URL,'.attributes-modality .copy-small')
            #Converting the name data to text
            mod <- html_text(mod_html)
            #Let's have a look at the rankings
            head(mod)
            #Convering each info from text to factor
            mod<-as.factor(mod)
            #Let's have a look at the rankings
            head(mod)


        ##Combining all the lists to form a data frame
              onet_df<-data.frame(Name = nam,
                                  Modality = mod)

        ##Structure of the data frame
        str(onet_df)

            }

View(onet_df)

无论我选择什么治疗师，这段代码似乎都很有效。现在，我想在多个配置文件上使用此函数，以生成一个数据集，其中包含 MHP 的名称和模式。假设我想将上述函数“getProfile”应用于伊利诺伊州的前 20 名治疗师，并将这 20 名治疗师的信息输入名为“onet_df”的数据集中

j <- 1
MHP_codes <-  c(324585 : 449807) #therapist identifier
withinpage_codes <-  c(1 : 20) #therapist running number
  for(code1 in withinpage_codes) {
    for(code2 in MHP_codes) {
      URL <- paste0('https://www.psychologytoday.com/us/therapists/illinois/', code2, '?sid=5d87f874630bd&ref=', code1, '&rec_next=1&tr=NextProf')
      record_profile <- getProfile <- function(profilescrape)
      onet_df[[j]] <- rbind.fill(onet_df, record_profile)
      j <- j + 1
      }
}

编辑从这里开始:

此循环不会创建任何数据集；此外，它不会给出任何错误消息。有人可以帮我调试这个循环吗？请记住，我是一个真正的初学者。

根据建议，我修改了开头的内容:

#creating the function
getProfile <- function(URL) {....}

此外，我使用了三个替代循环:

第一种选择

j <- 1
MHP_codes <-  c(324585 : 449807) #therapist identifier
withinpage_codes <-  c(1 : 20) #therapist running number
for(code1 in withinpage_codes) {
  for(code2 in MHP_codes) {
    URL <- paste0('https://www.psychologytoday.com/us/therapists/illinois/', code2, '?sid=5d87f874630bd&ref=', code1, '&rec_next=1&tr=NextProf')
    record_profile <- getProfile(URL)
      onet_df[[j]] <- rbind.fill(onet_df, record_profile)
    j <- j + 1
  }
}

给出以下错误消息: UseMethod("xml_find_first") 中的错误: 没有适用于“xml_find_first”的方法应用于“character”类的对象

第二种选择

MHP_codes <- c(324585, 449807)  #therapist identifier 
withinpage_codes <- c(1:20)     #therapist running number 

df_list <- vector(mode = "list",
                  length = length(MHP_codes) * length(withinpage_codes))

j <- 1
for(code1 in withinpage_codes) { 
  for(code2 in MHP_codes) {
    URL <- paste0('https://www.psychologytoday.com/us/therapists/illinois/', code2, '?sid=5d87f874630bd&ref=', code1, '&rec_next=1&tr=NextProf') 
    df_list[[j]] <- getProfile(URL)
    j <- j + 1 
  } 
}

final_df <- rbind.fill(df_list)

此循环给出了相同的错误消息(请参阅上面的错误消息)。

现在，我只想弄清楚为什么循环没有生成数据集。可能有两个问题:第一，循环中的某些内容不起作用(我只在一个现有页面上运行了两个循环，并且没有生成数据集)； 第二，当我在一系列链接上运行循环时，其中一些链接可能会丢失，这会产生错误消息。

Answer 1

考虑一些调整:

• 调整函数以接收 URL 参数。右侧的profilescrape未在函数中的任何地方使用。函数采用全局环境中分配的任何 URL。

  getProfile <- function(URL) { 
     ...
  }
  

• 调整函数的结尾以返回所需的对象。如果没有 return，R 将返回最后读取的行。因此，请将 str(onet_df) 替换为 return(onet_df)。

• 将循环中的动态 URL 传递给方法而不调用 function:

  URL <- paste0(...) 
  record_profile <- getProfile(URL)
  

• 在循环之前初始化指定长度 (2 x 20) 的列表。然后在每次迭代时分配给循环索引，而不是在循环中增长对象，这是内存效率低下的。

  MHP_codes <- c(324585, 449807)  #therapist identifier 
  withinpage_codes <- c(1:20)     #therapist running number 
  
  df_list <- vector(mode = "list",
                    length = length(MHP_codes) * length(withinpade_codes))
  
  j <- 1
  for(code1 in withinpage_codes) { 
      for(code2 in MHP_codes) {
          URL <- paste0('https://www.psychologytoday.com/us/therapists/illinois/', code2, '?sid=5d87f874630bd&ref=', code1, '&rec_next=1&tr=NextProf') 
          df_list[[j]] <- tryCatch(getProfile(URL), 
                                   error = function(e) NULL)
          j <- j + 1 
      } 
  }
  

• 在循环外部调用一次rbind.fill，将所有数据帧组合在一起

  final_df <- rbind.fill(df_list)
  

<小时/>

话虽如此，请考虑一个apply系列解决方案，特别是Map(maply的包装器)。这样做，您可以避免初始化列表和增量变量的簿记，并“隐藏”紧凑语句的循环。

# ALL POSSIBLE PAIRINGS
web_codes_df <- expand.grid(MHP_codes = c(324585, 449807),
                            withinpage_codes = c(1:20))

# MOVE URL ASSIGNMENT INSIDE FUNCTION
getProfile <- function(code1, code2) { 
   URL <- paste0('https://www.psychologytoday.com/us/therapists/illinois/', code2, '?sid=5d87f874630bd&ref=', code1, '&rec_next=1&tr=NextProf')

    # ...same code as before...
}

# ELEMENT-WISE LOOP PASSING PARAMS IN PARALLEL TO FUNCTION
df_list <- Map(function(code1, code2) tryCatch(getProfile(code1, code2), 
                                               error = function(e) NULL),
               code1 = web_codes_df$MHP_codes,
               code2 = web_codes_df$withinpage_codes)

final_df <- rbind.fill(df_list)