使用readHTMLTable從https網頁讀取表格

Question

我安裝了R 3.3.1並且正在使用RStudio 0.99.903。 我正在嘗試從以下URL讀取R表： https ： //www.fantasypros.com/nfl/rankings/consensus-cheatsheets.php

（我很清楚，有一個下載按鈕，但是，這對我來說不是一個選項）

去年我使用readHTMLTable函數很容易做到這一點。 但是，在那個時候，該站點從使用http更改為https，這導致“XML內容不會成為XML”錯誤。

我嘗試了這里建議的內容：將url表轉換為`data.frame` R-XML-RCurl

library(XML)
library(RCurl)
url <- getURL("https://www.fantasypros.com/nfl/rankings/consensus-cheatsheets.php")
df <- readHTMLTable(URL, header = T)

get URL函數返回一個對我來說基本上沒有意義的大字符串，這意味着readHTMLTable無法正常工作（我得到一個列表，有幾個數據框，但這對我來說也沒有意義。它是用西班牙語觀察到的我不知道他們來自哪里的事情）：

>url
[1] "\r\n<!DOCTYPE html>\n<html lang=\"en\">\n\n<head>\n    <title>2016 QB Fantasy Football Rankings, QB Cheat Sheets, QB Draft / Draft Rankings</title>\n    <meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\">\n    <meta name=\"description\" content=\"Don&#8217;t trust any 1 fantasy football expert? We combine their rankings into 1 Expert Consensus Ranking. Our 2016 Draft QB rankings are updated daily.\">\n<link rel=\"canonical\" href=\"https://www.fantasypros.com/nfl/rankings/qb-cheatsheets.php\" />\n\n    <meta property=\"fb:pages\" content=\"184352014941166\"/>\n

它還有很多方面。

有人可以給我一些關於如何讓它工作的建議嗎？

謝謝。

Answer 1

從URL獲取html文件

library("httr")
library("XML")
URL <- "https://www.fantasypros.com/nfl/rankings/consensus-cheatsheets.php"
temp <- tempfile(fileext = ".html")
GET(url = URL, user_agent("Mozilla/5.0"), write_disk(temp))

解析HTML文件

doc <- htmlParse(temp)

通過選擇具有class = "player-table"的table元素及其子class = 'mpb-player-' tr元素具有class = 'mpb-player-'來構造XPath查詢

xpexpr <- "//table[contains(@class, 'player-table')]/tbody/tr[contains(@class, 'mpb-player-')]"

從doc獲取xpath表達式的節點列表

listofTableNodes <- getNodeSet(doc, xpexpr)
listofTableNodes

使用節點列表的xmlvalues創建數據框

df <- xmlToDataFrame(listofTableNodes, stringsAsFactors = FALSE)
# alternatively xpathSApply can be used to get the same data frame
# df <- xmlToDataFrame(xpathSApply(doc, xpexpr), stringsAsFactors = FALSE)

刪除空列

df <- df[, seq(1, length(df), by = 2)]

添加列名稱

xpexpr <- "//table[contains(@class, 'player-table')]/thead/tr/th"
listofTableNodes <- getNodeSet(doc, xpexpr)
listofTableNodes
colnames(df) <- gsub("[\r\n ]*$", '', xmlSApply(listofTableNodes, xmlValue))

head(df)
#   Rank          Player (Team) Pos Bye Best Worst Avg Std Dev ADP vs. ADP
# 1    1     Antonio Brown PIT  WR1   8    1     5 1.3     0.8 1.0     0.0
# 2    2 Odell Beckham Jr. NYG  WR2   8    1     9 3.1     1.6 2.0     0.0
# 3    3       Julio Jones ATL  WR3  11    1     6 3.4     1.1 4.0    +1.0
# 4    4        Todd Gurley LA  RB1   8    1    11 4.5     2.3 3.0    -1.0
# 5    5     David Johnson ARI  RB2   9    1    19 6.1     3.5 6.0    +1.0
# 6    6   Adrian Peterson MIN  RB3   6    1    22 7.6     3.8 5.0    -1.0

使用readHTMLTable從https網頁讀取表格

問題描述

1 個解決方案

解決方案1
2 已采納 2016-08-20 22:26:14

使用readHTMLTable從https網頁讀取表格

問題描述

1 個解決方案

解決方案1 2 已采納 2016-08-20 22:26:14

解決方案1
2 已采納 2016-08-20 22:26:14