मैंने पढ़ा है और आर

Question

में एक वेबपेज की सामग्री को पार्स कर सकते हैं मैं कैसे (eq, http://www.haaretz.com/) एक URL की सामग्री आर में पढ़ने के लिए मैं सोच रहा हूँ मैं इसे कैसे

Answer 1

वास्तव में यह सुनिश्चित नहीं है कि आप उस पृष्ठ को कैसे संसाधित करना चाहते हैं, क्योंकि यह वास्तव में गन्दा है। जैसा कि हम re-learned in this famous stackoverflow question, एचटीएमएल पर रेगेक्स करना अच्छा नहीं है, इसलिए आप निश्चित रूप से एक्सएमएल पैकेज के साथ इसे पार्स करना चाहते हैं।

require(RCurl) 
require(XML) 
webpage <- getURL("http://www.haaretz.com/") 
webpage <- readLines(tc <- textConnection(webpage)); close(tc) 
pagetree <- htmlTreeParse(webpage, error=function(...){}, useInternalNodes = TRUE) 
# parse the tree by tables 
x <- xpathSApply(pagetree, "//*/table", xmlValue) 
# do some clean up with regular expressions 
x <- unlist(strsplit(x, "\n")) 
x <- gsub("\t","",x) 
x <- sub("^[[:space:]]*(.*?)[[:space:]]*$", "\\1", x, perl=TRUE) 
x <- x[!(x %in% c("", "|"))] 

यह (कुछ जावास्क्रिप्ट के साथ) ज्यादातर सिर्फ वेबपेज पाठ का एक चरित्र वेक्टर में परिणाम:

> head(x) 
[1] "Subscribe to Print Edition"    "Fri., December 04, 2009 Kislev 17, 5770" "Israel Time: 16:48 (EST+7)"   
[4] "  Make Haaretz your homepage"   "/*check the search form*/"    "function chkSearch()" 

Answer 2

आपका सबसे अच्छा शर्त कर सकते हैं करना चाहते हैं एक्सएमएल पैकेज हो सकता है - उदाहरण के लिए यह previous question देखें।

Answer 3

मुझे पता है तुम आर के लिए कहा

यहाँ प्राप्त करने के लिए एक उदाहरण आप शुरू कर दिया लेकिन शायद पाइथन + beautifullsoup यहाँ आगे रास्ता है? फिर आर के साथ अपना विश्लेषण करें क्या आपने beautifullsoup के साथ स्क्रीन को स्क्रैप किया है?