Skip to main content

数据科学中的 R 语言

第 87 章 网络爬虫

大神说rvest 马上推出1.0版本了。

87.1 链家网 

urls <- paste0("https://sh.lianjia.com/ershoufang/pg", seq_along(1:2))


scrape_house_info  <- function(url) {

    web <- read_html(url)
    
    title <- web %>% 
      html_nodes('.clear .title a') %>% 
      html_text()

    houseinfo <- web %>% 
      html_nodes('.houseInfo') %>%
      html_text()

    
    price <- web %>% 
      html_nodes('.totalPrice span') %>% 
      html_text()

    price_per <- web %>% 
      html_nodes('.unitPrice span') %>% 
      html_text()

    df <- data.frame(title, houseinfo, price, price_per) 
    
    return(df)
}
tb <- urls %>% map_df(scrape_house_info)

tb %>% 
  head()
##                                             title
## 1   滴水湖叠加别墅 业主诚心出售 价格可谈 精装保养
## 2 大三房，低总价，满5v1，精装修可直接拎包入住！！
## 3   此房业主诚意出出售，楼层好 视野宽阔，采光充足
## 4               满五年 品质小区 配套成熟 交通便利
## 5                  品质三房，楼层好，配套设施齐全
## 6           满五年+视野好+保养好拎包入住+配套成熟
##                                                              houseinfo
## 1    5室3厅 | 196.33平米 | 南 | 精装 | 低楼层(共3层) | 2009年建 | 板楼
## 2   3室2厅 | 137.19平米 | 南 | 简装 | 低楼层(共12层) | 2009年建 | 板楼
## 3        2室2厅 | 88平米 | 南 | 简装 | 高楼层(共4层) | 2009年建 | 板楼
## 4 2室2厅 | 99.33平米 | 南 北 | 精装 | 低楼层(共16层) | 2007年建 | 板楼
## 5    3室2厅 | 115.86平米 | 南 | 简装 | 低楼层(共6层) | 1998年建 | 板楼
## 6    3室2厅 | 116.43平米 | 南 | 简装 | 高楼层(共6层) | 2002年建 | 板楼
##   price   price_per
## 1   568 28,931元/平
## 2   288 20,993元/平
## 3   262 29,773元/平
## 4   230 23,156元/平
## 5   145 12,516元/平
## 6   269 23,105元/平

87.2 猪肉价格 

df_price <-
  read_html("https://hangqing.zhuwang.cc/shengzhu/20190905/407978.html") %>%
  html_node(".tabzj") %>%
  html_table(header = T) %>% 
  set_names(
    c("region", "name", "price_today", "price_yestoday", "diff_last_day", "diff_last_week")
    ) %>% 
  mutate_at(vars(name), ~str_remove_all(., " ") ) %>% 
  mutate_at(vars(name), ~if_else( name == "黑龙江", "黑龙江省", .))

df_price %>% 
  head()
## # A tibble: 6 × 6
##   region name  price_today price_yestoday diff_last_day
##   <chr>  <chr>       <dbl>          <dbl>         <dbl>
## 1 华东   安徽…        28.0           27.8          0.24
## 2 华东   山东…        26.6           26.7         -0.05
## 3 华东   浙江…        29.9           29.8          0.1 
## 4 华东   江西…        28.9           28.6          0.33
## 5 华东   福建…        29.1           28.9          0.23
## 6 华东   江苏…        28.0           28.4         -0.38
## # … with 1 more variable: diff_last_week <dbl>
china <- st_read("./demo_data/chinamap_data/bou2_4p.shp") %>% 
  st_set_crs(4326) %>% 
  group_by(NAME) %>%
  summarize()
## Reading layer `bou2_4p' from data source 
##   `E:\R_for_Data_Science\demo_data\chinamap_data\bou2_4p.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 925 features and 7 fields
## Geometry type: POLYGON
## Dimension:     XY
## Bounding box:  xmin: 73.45 ymin: 6.319 xmax: 135.1 ymax: 53.56
## CRS:           NA
china_uni <- china %>% 
  mutate( NAME = iconv(NAME, "GBK", "UTF-8") ) %>% 
  mutate_at(vars(NAME), ~str_remove_all(., "自治区|回族|维吾尔|壮族") ) %>%
  mutate_at(vars(NAME), ~str_trim(.))
df <- left_join(china_uni, df_price, by = c("NAME" = "name"))
ggplot(data = df) + 
  geom_sf( aes(fill = price_today < 28), show.legend = FALSE) + 
  geom_sf_text(aes(label = NAME),
               size = 3
               ) +
  geom_sf_text(aes(label = price_today), 
               size = 3,
               #nudge_x = c(-0.4, 0.5, 0.7),
               nudge_y = c(-1, -1, -1)
               ) +
  coord_sf(crs = 4326) +
  ggtitle("全国猪肉价格地图")