前言:
RCurl工具包的作者是由Duncan Temple Lang现任加州大学 U.C. Davis分校副教授。他曾致力于借助统计整合进行信息技术的探索。使用者通过RCurl可以轻易访问网页,进行相关数据的抓取以及下载,为数据分析提供原始素材。近年RCurl在数据分析业界中使用也越来越流行。
install.packages('RCurl')
===========================
1 #利用RCurl包批量下载(抓取)文件
2
3 library('RCurl')
4
5 html=getURL("http://rfunction.com/code/1202/")
6
7 #查看网页源码,之后确定抓取信息的“代码字串”特征
8
9 temp=strsplit(html,"<li><a href=\"")[[1]] #列表
10
11 files=strsplit(temp,"\"") #转义字符“\”
12
13 files=lapply(files,function(x){x[1]})
14
15 #可通过命令“?lapply”查看该函数具体用法
16
17 files
18
19 class(files)
20
21 files=unlist(files) #二维转一维
22
23 files=files[-(1:2)] #剔除特定元素
24
25
26
27 #----------------
28
29 #设置下载目录,循环遍历
30
31 setwd('G:\\R_Project\\RCurl抓取的文件') #注意‘\\’转义
32
33 dir()
34
35 i=1
36
37 base="http://rfunction.com/code/1202/"
38
39 for(i in 1:length(files)){
40
41 url=paste(base,files[i],sep='') #拼接url
42
43 temp=getBinaryURL(url) #获取网页内容
44
45 note=file(paste("1202",files[i],sep='.'),open="wb") #文件属性
46
47 writeBin(temp,note) #文件写入内容
48
49 close(note) #关闭文件
50
51 }
注意:
1)若出现RCurl无法正常安装,请升级R版本。
2)为了防止因频繁访问该网站而被拉进黑名单,建议采用sleep()间隔访问。具体实现方式仅需要在上述代码最后的循环内部加入如下一行代码:
Sys.sleep(2)
结语:
爬虫其实也就这么回事儿~本文利用R语言的RCurl工具包成功抓取到数据,在此也仅仅是给对数据相关分析感兴趣的朋友提供一丝参考而已。