用R语言抓取豆瓣前250名的影片评分,并利用正则表达式进行数据处理
2014-09-10 09:15
357 查看
前段时间在研究RCrul的爬虫技术时,要了解正则表达式的一些知识,在google发现一篇介绍利用正则表达式处理网上抓取下来处理数据的方法:
原文地址:http://r-ke.info/2012/05/28/regular-expression.html
但是原文代码不能直接编译,估计是俺看到的是国内豆瓣缘故导致。故将文章中的代码进行重新编译,现附上源代码,直接copy到R中能直接运行:
getcontent <- function(s,g){
substring(s,g,g+attr(g,'match.length')-1)
}
# getcontent(word[1],gregout[[1]])
# 获取网页原代码,以行的形式存放在web变量中(每页显示25条记录,共10页)
url<-'http://movie.douban.com/top250?format=text'
web <- readLines(url,encoding="UTF-8")
for(i in 1:9){
url1<-paste('http://movie.douban.com/top250?start=',25*i,'&filter=&type=',sep="")
web1 <- readLines(url1,encoding="UTF-8")
web<-c(web,web1)
}
# 找到包含电影名称的行编号
name <- web[grep(' <div class="hd">',web)+2]
# 用正则表达式来提取电影名
gregout <- gregexpr('>\\w+',name)
movie.names = 0
for(i in 1:length(gregout)){
movie.names[i]<-getcontent(name[i],gregout[[i]])
}
movie.names <- sub('>','',movie.names)
# 找到包含电影发行年份的行编号并进行提取
# year <- web[grep('<br>',web)+1]
# movie.year <- substr(year,28,32)
year <- web[grep('<p class="">',web)+2]
movie.year <- substr(year,28,32)
# 找到包含电影评分的行编号并进行提取
score <- web[grep('<div class="star">',web)+1]
movie.score<-NULL
for(i in 1:length(score)) {
score1<-gregexpr('<em>',score)
movie.score<-cbind(movie.score,substr(score[i],score1[[i]][1]+4,score1[[i]][1]+6))
}
# 找到包含电影评价数量的行编号并进行提取
rating <- web[grep('<div class="star">',web)+2]
movie.rating<-NULL
for(i in 1:length(rating)){
rating1<-gregexpr(' ',rating)
rating2<-gregexpr('人',rating)
movie.rating<-cbind(movie.rating,substr(rating[i],rating1[[i]][1]+12,rating2[[i]][1]-1))
}
# 合成为数据框
movie <- data.frame(names=movie.names,year=as.numeric(movie.year),
score=as.numeric(movie.score),rate=as.numeric(movie.rating))
head(movie)
names year score rate
1 肖申克的救赎 1994 9.6 559765
2 这个杀手不太冷 1994 9.4 529674
3 阿甘正传 1994 9.4 473569
4 霸王别姬 1993 9.4 377790
5 美丽人生 1997 9.4 258244
6 海上钢琴师 1998 9.2 41594
# 绘散点图
library(ggplot2)
p <- ggplot(data=movie,aes(x=year,y=score))
p+geom_point(aes(size=rate),colour='lightskyblue4',
position="jitter",alpha=0.8)
原文地址:http://r-ke.info/2012/05/28/regular-expression.html
但是原文代码不能直接编译,估计是俺看到的是国内豆瓣缘故导致。故将文章中的代码进行重新编译,现附上源代码,直接copy到R中能直接运行:
getcontent <- function(s,g){
substring(s,g,g+attr(g,'match.length')-1)
}
# getcontent(word[1],gregout[[1]])
# 获取网页原代码,以行的形式存放在web变量中(每页显示25条记录,共10页)
url<-'http://movie.douban.com/top250?format=text'
web <- readLines(url,encoding="UTF-8")
for(i in 1:9){
url1<-paste('http://movie.douban.com/top250?start=',25*i,'&filter=&type=',sep="")
web1 <- readLines(url1,encoding="UTF-8")
web<-c(web,web1)
}
# 找到包含电影名称的行编号
name <- web[grep(' <div class="hd">',web)+2]
# 用正则表达式来提取电影名
gregout <- gregexpr('>\\w+',name)
movie.names = 0
for(i in 1:length(gregout)){
movie.names[i]<-getcontent(name[i],gregout[[i]])
}
movie.names <- sub('>','',movie.names)
# 找到包含电影发行年份的行编号并进行提取
# year <- web[grep('<br>',web)+1]
# movie.year <- substr(year,28,32)
year <- web[grep('<p class="">',web)+2]
movie.year <- substr(year,28,32)
# 找到包含电影评分的行编号并进行提取
score <- web[grep('<div class="star">',web)+1]
movie.score<-NULL
for(i in 1:length(score)) {
score1<-gregexpr('<em>',score)
movie.score<-cbind(movie.score,substr(score[i],score1[[i]][1]+4,score1[[i]][1]+6))
}
# 找到包含电影评价数量的行编号并进行提取
rating <- web[grep('<div class="star">',web)+2]
movie.rating<-NULL
for(i in 1:length(rating)){
rating1<-gregexpr(' ',rating)
rating2<-gregexpr('人',rating)
movie.rating<-cbind(movie.rating,substr(rating[i],rating1[[i]][1]+12,rating2[[i]][1]-1))
}
# 合成为数据框
movie <- data.frame(names=movie.names,year=as.numeric(movie.year),
score=as.numeric(movie.score),rate=as.numeric(movie.rating))
head(movie)
names year score rate
1 肖申克的救赎 1994 9.6 559765
2 这个杀手不太冷 1994 9.4 529674
3 阿甘正传 1994 9.4 473569
4 霸王别姬 1993 9.4 377790
5 美丽人生 1997 9.4 258244
6 海上钢琴师 1998 9.2 41594
# 绘散点图
library(ggplot2)
p <- ggplot(data=movie,aes(x=year,y=score))
p+geom_point(aes(size=rate),colour='lightskyblue4',
position="jitter",alpha=0.8)
![](http://www.dataguru.cn/data/attached/image/20140831/20140831130545_17360.jpg)
相关文章推荐
- Python学习笔记 第二部分 - 正则表达式 与 爬虫小实例(抓取豆瓣电影中评分大于等于8分的影片)
- C# 利用正则表达式进行忽略大小写的字符串替换的应用
- 利用JavaScript和正则表达式进行丰富的日期判断
- JAVA抓取网页的图片,JAVA利用正则表达式抓取网站图片
- oracle利用正则表达式对字符串进行拆分
- ObjC利用正则表达式抓取网页内容(网络爬虫)
- C# 利用正则表达式进行忽略大小写的字符串替换的应用--自定义高亮显示
- ObjC利用正则表达式抓取网页内容(网络爬虫)
- 利用正则表达式 进行字符的判断
- 利用正则表达式 进行字符的判断
- 利用正则表达式 进行字符的判断
- ObjC利用正则表达式抓取网页内容(网络爬虫)
- 利用正则表达式抓取Email地址
- 利用JavaScript和正则表达式进行丰富的日期判断(给其它项目组的代码,有比较好的编程风格和注释)
- SED,AWK学习笔记Part 1-----利用正则表达式进行文本匹配[转]
- 利用javascript正则表达式对邮件地址进行验证
- 利用正则表达式获取特定文件(如java class)并对其进行处理(如代码统计)
- asp.net 利用特性和正则表达式进行字段的验证(attribute)
- ObjC利用正则表达式抓取网页内容
- ObjC利用正则表达式抓取网页内容(网络爬虫)