R - scrapowanie danych - jak oczyscic html_text

R - scrapowanie danych - jak oczyscic html_text
aPsikus
aPsikus
aPsikus
aPsikus
  • Rejestracja:ponad 6 lat
  • Ostatnio:ponad 5 lat
  • Postów:51
0

Ściągam dane ze strony otodom.

Kopiuj
#instalacja biblioteki rvest
install.packages("rvest")
library(rvest)

##link z ogloszeniem
url_otodom<-'https://www.otodom.pl/oferta/nowe-mieszkanie-przy-porcie-praskim-ul-wrzesinska-ID3YoPi.html#6c436353d3'

##odczyt kodu strony
otodom<-read_html(url_otodom)

Większość interesujących mnie danych jest zapisana w formie list (znaczniki html < ul > i < li >).
Czytam je jako html_text. Czy można ewentualnie jako coś innego?

Kopiuj
szczegoly <- otodom %>%
  html_nodes("section.section-overview") %>% html_nodes("li") %>% html_text()

Wynik jest taki:

Kopiuj
szczegoly
 [1] "Powierzchnia: 43,18 m²"           "Liczba pokoi: 2"                  "Rynek: wtórny"                   
 [4] "Rodzaj zabudowy: apartamentowiec" "Piętro: 2"                        "Liczba pięter: 8"                
 [7] "Materiał budynku: żelbet"         "Okna: plastikowe"                 "Ogrzewanie: miejskie"            
[10] "Rok budowy: 2019"                 "Stan wykończenia: do wykończenia" "Forma własności: pełna własność" 
[13] "Dostępne od: 2019-04-12"

Po pierwsze chciałbym je oczyścić pod późniejsze utworzenie dataframe lub table (podzielić w miejscu dwukropka, to co przed nim do header, to co po nim wartosc), ale nie wiem jak to najlepiej zrobić. Biblioteka stringr lub stringi i str_extract?

Druga sprawa jest taka, że lista zawiera 13 elementów, ale może ich być 15. Jak odczytując dopasować te co są podane do możliwych?
Chodzi o to, że różne ogłoszenia mogą mieć różne wypełnione i czytając chcę je dobrze dopasować.
Tu lista możliwych do wypełnienia przez ogłoszeniodawcę:

Kopiuj
Powierzchnia
Liczba pokoi
Rynek
Rodzaj zabudowy
Piętro
Liczba pięter
Materiał budynku
Okna
Ogrzewanie
Rok budowy
Stan wykończenia
Czynsz
Forma własności
Dostępne od
Typ ogłoszeniodawcy

Będę wdzięczny za radę i pomoc.

edytowany 5x, ostatnio: aPsikus
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
Julian_
Julian_
Julian_
Julian_
  • Rejestracja:prawie 8 lat
  • Ostatnio:ponad 4 lata
  • Postów:1703
0

A sprawdzales rvest::html_table?

Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
aPsikus
aPsikus
aPsikus
aPsikus
  • Rejestracja:ponad 6 lat
  • Ostatnio:ponad 5 lat
  • Postów:51
0

Na moje oko, a nie jestem aż tak doświadczony, to w html_table można zmienić tylko obiekt, który na stronie jest tabelą.

Kopiuj
szczegoly_tab <- otodom %>%
  html_nodes("section.section-overview") %>% html_nodes("li") %>% html_table()

** Error in html_table.xml_node(X[[i]], ...) : html_name(x) == "table" is not TRUE **

Julian_
Wpisz tam htmla a nie nody... Nie mam teraz r na androidzie to jutro popatrze
aPsikus
Chyba nie zrozumiałem. Recznie chcesz to wybierac?
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
Julian_
Julian_
Julian_
Julian_
  • Rejestracja:prawie 8 lat
  • Ostatnio:ponad 4 lata
  • Postów:1703
0

tak bym to zrobił (jeszcze spacje z value trza wywalić)

Kopiuj
library(rvest)
library(dplyr)

getDfRowData <- function(url) {
  .getListData <- function(url) {
    url %>%
      read_html %>%
      html_nodes("section.section-overview") %>%
      html_nodes("li") %>%
      html_text
  }
  .listToRow <- function(list) {
    listKeyValue <- lapply(list, function(x) unlist(strsplit(x, ":")))
    keys <- unlist(lapply(listKeyValue, function(x) x[1]))
    values <- unlist(lapply(listKeyValue, function(x) x[2]))
    names(values) <- keys
    values
  }
  .unify <- function(row) {
    .names <- c("Powierzchnia", "Liczba pokoi", "Nie ma tego", "Rynek")
    row[match(.names, names(row))]
  }
  url %>%
    .getListData %>%
    .listToRow %>%
    .unify
}

url <- "https://www.otodom.pl/oferta/nowe-mieszkanie-przy-porcie-praskim-ul-wrzesinska-ID3YoPi.html#6c436353d3"
getDfRowData(url)
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
aPsikus
aPsikus
aPsikus
aPsikus
  • Rejestracja:ponad 6 lat
  • Ostatnio:ponad 5 lat
  • Postów:51
0

Próbowałem Twój kod bazujący na funkcjach przepisać na pętlę.
Ale niestety nie odczytuje wszystkich kluczy i wartości ze szczegółów.
Co zrobiłem źle?

Kopiuj
#test funkcji dzielacej
podzielenie<-lapply(szczegoly,function(z) unlist(strsplit(szczegoly,": ")))
powierzchnia<-NA;liczbaPokoi<-NA;rynek<-NA;rodzajZabudowy<-NA;pietro<-NA;liczbaPieter<-NA;materialBudynku<-NA;okna<-NA;ogrzewanie<-NA;rokBudowy<-NA;stanWykonczenia<-NA;czynsz<-NA;formaWlasnosci<-NA;dostepneOd<-NA;typOgloszeniodawcy<-NA
for(i in 1:15){ #bo może być 15 różnych wartości
  klucz<-unlist(lapply(podzielenie, function(x) x[i])) #klucz to i
  wartosc<-unlist(lapply(podzielenie, function(x) x[i+1])) #wartosc to i+1 (po rozbiciu szczegolow)
  klucz
  wartosc
  if(grepl("Powierzchnia",klucz[[i]])){
  powierzchnia<-wartosc[[i]]
  }
  if(grepl("Liczba pokoi",klucz[[i]])){
    liczbaPokoi<-wartosc[[i]]
  }
  if(grepl("Rynek",klucz[[i]])){
    rynek<-wartosc[[i]]
  }
  if(grepl("Rodzaj zabudowy",klucz[[i]])){
    rodzajZabudowy<-wartosc[[i]]
  }
  if(grepl("Piętro",klucz[[i]])){
    pietro<-wartosc[[i]]
  }
  if(grepl("Liczba pięter",klucz[[i]])){
    liczbaPieter<-wartosc[[i]]
  }
  if(grepl("Material budynku",klucz[[i]])){
    materialBudynku<-wartosc[[i]]
  }
  if(grepl("Okna",klucz[[i]])){
    okna<-wartosc[[i]]
  }
  if(grepl("Ogrzewanie",klucz[[i]])){
    ogrzewanie<-wartosc[[i]]
  }
  if(grepl("Rok budowy",klucz[[i]])){
    rokBudowy<-wartosc[[i]]
  }
  if(grepl("Stan wykończenia",klucz[[i]])){
    stanWykonczenia<-wartosc[[i]]
  }
  if(grepl("Czynsz",klucz[[i]])){
    czynsz<-wartosc[[i]]
  }
  if(grepl("Forma własności",klucz[[i]])){
    formaWlasnosci<-wartosc[[i]]
  }
  if(grepl("Dostępne od",klucz[[i]])){
    dostepneOd<-wartosc[[i]]
  }
  if(grepl("Typ ogłoszeniodawcy",klucz[[i]])){
    typOgloszeniodawcy<-wartosc[[i]]
  }
}

powierzchnia, liczbaPokoi, rynek, rodzajZabudowy są odczytywane.
Ale już pozostałe (od pietro) już nie.

Jeśli zrobię ręczne przypisanie to też odczytuje.

Kopiuj
klucz9<-unlist(lapply(podzielenie, function(x) x[9]))
wartosc9<-unlist(lapply(podzielenie, function(x) x[9+1]))

Czyli to coś z rozpoznaniem tekstu? Ale próbowałem juz i pietro (bez polskich znaków) i też nie odczytuje.

edytowany 5x, ostatnio: aPsikus
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
Treść
Podgląd
Kliknij, aby dodać treść...
Kliknij, aby dodać załącznik lub wklej ze schowka.
Instrukcja obsługi Markdown
Pomoc 1.18.8

Typografia

Edytor obsługuje składnie Markdown, w której pojedynczy akcent *kursywa* oraz _kursywa_ to pochylenie. Z kolei podwójny akcent **pogrubienie** oraz __pogrubienie__ to pogrubienie. Dodanie znaczników ~~strike~~ to przekreślenie.

Możesz dodać formatowanie komendami , , oraz .

Ponieważ dekoracja podkreślenia jest przeznaczona na linki, markdown nie zawiera specjalnej składni dla podkreślenia. Dlatego by dodać podkreślenie, użyj <u>underline</u>.

Komendy formatujące reagują na skróty klawiszowe: Ctrl+B, Ctrl+I, Ctrl+U oraz Ctrl+S.

Linki

By dodać link w edytorze użyj komendy lub użyj składni [title](link). URL umieszczony w linku lub nawet URL umieszczony bezpośrednio w tekście będzie aktywny i klikalny.

Jeżeli chcesz, możesz samodzielnie dodać link: <a href="link">title</a>.

Wewnętrzne odnośniki

Możesz umieścić odnośnik do wewnętrznej podstrony, używając następującej składni: [[Delphi/Kompendium]] lub [[Delphi/Kompendium|kliknij, aby przejść do kompendium]]. Odnośniki mogą prowadzić do Forum 4programmers.net lub np. do Kompendium.

Wspomnienia użytkowników

By wspomnieć użytkownika forum, wpisz w formularzu znak @. Zobaczysz okienko samouzupełniające nazwy użytkowników. Samouzupełnienie dobierze odpowiedni format wspomnienia, zależnie od tego czy w nazwie użytkownika znajduje się spacja.

Znaczniki HTML

Dozwolone jest używanie niektórych znaczników HTML: <a>, <b>, <i>, <kbd>, <del>, <strong>, <dfn>, <pre>, <blockquote>, <hr/>, <sub>, <sup> oraz <img/>.

Skróty klawiszowe

Dodaj kombinację klawiszy komendą notacji klawiszy lub skrótem klawiszowym Alt+K.

Reprezentuj kombinacje klawiszowe używając taga <kbd>. Oddziel od siebie klawisze znakiem plus, np <kbd>Alt+Tab</kbd>.

Indeks górny oraz dolny

Przykład: wpisując H<sub>2</sub>O i m<sup>2</sup> otrzymasz: H2O i m2.

Składnia Tex

By precyzyjnie wyrazić działanie matematyczne, użyj składni Tex.

<tex>arcctg(x) = argtan(\frac{1}{x}) = arcsin(\frac{1}{\sqrt{1+x^2}})</tex>

Kod źródłowy

Krótkie fragmenty kodu

Wszelkie jednolinijkowe instrukcje języka programowania powinny być zawarte pomiędzy obróconymi apostrofami: `kod instrukcji` lub ``console.log(`string`);``.

Kod wielolinijkowy

Dodaj fragment kodu komendą . Fragmenty kodu zajmujące całą lub więcej linijek powinny być umieszczone w wielolinijkowym fragmencie kodu. Znaczniki ``` lub ~~~ umożliwiają kolorowanie różnych języków programowania. Możemy nadać nazwę języka programowania używając auto-uzupełnienia, kod został pokolorowany używając konkretnych ustawień kolorowania składni:

```javascript
document.write('Hello World');
```

Możesz zaznaczyć również już wklejony kod w edytorze, i użyć komendy  by zamienić go w kod. Użyj kombinacji Ctrl+`, by dodać fragment kodu bez oznaczników języka.

Tabelki

Dodaj przykładową tabelkę używając komendy . Przykładowa tabelka składa się z dwóch kolumn, nagłówka i jednego wiersza.

Wygeneruj tabelkę na podstawie szablonu. Oddziel komórki separatorem ; lub |, a następnie zaznacz szablonu.

nazwisko;dziedzina;odkrycie
Pitagoras;mathematics;Pythagorean Theorem
Albert Einstein;physics;General Relativity
Marie Curie, Pierre Curie;chemistry;Radium, Polonium

Użyj komendy by zamienić zaznaczony szablon na tabelkę Markdown.

Lista uporządkowana i nieuporządkowana

Możliwe jest tworzenie listy numerowanych oraz wypunktowanych. Wystarczy, że pierwszym znakiem linii będzie * lub - dla listy nieuporządkowanej oraz 1. dla listy uporządkowanej.

Użyj komendy by dodać listę uporządkowaną.

1. Lista numerowana
2. Lista numerowana

Użyj komendy by dodać listę nieuporządkowaną.

* Lista wypunktowana
* Lista wypunktowana
** Lista wypunktowana (drugi poziom)

Składnia Markdown

Edytor obsługuje składnię Markdown, która składa się ze znaków specjalnych. Dostępne komendy, jak formatowanie , dodanie tabelki lub fragmentu kodu są w pewnym sensie świadome otaczającej jej składni, i postarają się unikać uszkodzenia jej.

Dla przykładu, używając tylko dostępnych komend, nie możemy dodać formatowania pogrubienia do kodu wielolinijkowego, albo dodać listy do tabelki - mogłoby to doprowadzić do uszkodzenia składni.

W pewnych odosobnionych przypadkach brak nowej linii przed elementami markdown również mógłby uszkodzić składnie, dlatego edytor dodaje brakujące nowe linie. Dla przykładu, dodanie formatowania pochylenia zaraz po tabelce, mogłoby zostać błędne zinterpretowane, więc edytor doda oddzielającą nową linię pomiędzy tabelką, a pochyleniem.

Skróty klawiszowe

Skróty formatujące, kiedy w edytorze znajduje się pojedynczy kursor, wstawiają sformatowany tekst przykładowy. Jeśli w edytorze znajduje się zaznaczenie (słowo, linijka, paragraf), wtedy zaznaczenie zostaje sformatowane.

  • Ctrl+B - dodaj pogrubienie lub pogrub zaznaczenie
  • Ctrl+I - dodaj pochylenie lub pochyl zaznaczenie
  • Ctrl+U - dodaj podkreślenie lub podkreśl zaznaczenie
  • Ctrl+S - dodaj przekreślenie lub przekreśl zaznaczenie

Notacja Klawiszy

  • Alt+K - dodaj notację klawiszy

Fragment kodu bez oznacznika

  • Alt+C - dodaj pusty fragment kodu

Skróty operujące na kodzie i linijkach:

  • Alt+L - zaznaczenie całej linii
  • Alt+, Alt+ - przeniesienie linijki w której znajduje się kursor w górę/dół.
  • Tab/⌘+] - dodaj wcięcie (wcięcie w prawo)
  • Shit+Tab/⌘+[ - usunięcie wcięcia (wycięcie w lewo)

Dodawanie postów:

  • Ctrl+Enter - dodaj post
  • ⌘+Enter - dodaj post (MacOS)