R语言:正则表达式的使用(基于网页抓取)
发布时间:2020-12-14 06:34:52 所属栏目:百科 来源:网络整理
导读:原文链接 —————————————————————————————————— R语言:正则表达式的使用(基于网页抓取) 有时候我们要处理的是非结构化的数据,例如网页或是电邮资料,那么就需要用R来抓取所需的字符串,整理为进一步处理的数据形式。R
原文链接
—————————————————————————————————— R语言:正则表达式的使用(基于网页抓取)
有时候我们要处理的是非结构化的数据,例如网页或是电邮资料,那么就需要用R来抓取所需的字符串,整理为进一步处理的数据形式。R语言中有一整套可以用来处理字符的函数,在之前的博文中已经有所涉及。但真正的要用好字符处理函数,则不得不用到正则表达式。正则表达式(Regular Expression、regexp)是指一种用来描述一定数量文本的模式。熟练掌握正则表达式能使你随心所欲的操作文本来达成目标。其实学习正则表达式并没有想像中的那么困难。最好方法是从例子开始,然后多练习,多使用。网络上已经有许多不错的参考资料,例如这篇或那篇。本文假设你对正则表达式有了基本的了解,下面我们来看看如何在R里面来使用它。
假设我们有一个字符向量,包括了三个字符串。我们的目标是从中抽取电邮地址。R语言中很多字符函数都能识别正则表达式,而最重要的函数就是gregexpr()。该函数的第一个参数是正则表达式,前后需要用引号,对元字符进行转义时要用。第二个参数是等待处理的文本。那么用如下三行代码,我们从word字符向量中得到一个列表,其中第一项元素中的5表示电邮地址从第5个字符位置开始,24表示电邮地址长度为24。 word <- c(‘abcnoboby@stat.berkeley.edu’,’text with no email’,’first me@mything.com alsoyou@yourspace.com’) pattern <-‘[-A-Za-z0-9_.%]+@[-A-Za-z0-9_.%]+.[A-Za-z]+’ (gregout <- gregexpr(pattern,word)) 下一步我们需要将电邮地址抽取出来,此时配合substr函数,即可根据需要字符串的位置来提取子集。 substr(word[1],gregout[1],gregout[1]+attr(gregout[1],’match.length’)-1) [1] “noboby@stat.berkeley.edu” 更方便的使用方式是根据上述方法建立一个自定义函数getcontent,参数s表示待处理的文本,参数g表示的是通过gregexpr函数处理后的结果。这个函数我们在后面还会用到。 getcontent <- function(s,g){ substring(s,g,g+attr(g,’match.length’)-1) } getcontent(word[1],gregout[1]) 下面我们用一个较大的例子来说明在实际的数据抓取工作中,如何使用正则表达式。豆瓣电影是博主经常去的地方。此次任务目标是要抓取豆瓣电影中250部最佳电影的资料。R代码如下: url<-‘ http://movie.douban.com/top250?format=text‘ # 获取网页原代码,以行的形式存放在web变量中 web <-readLines(url,encoding=”UTF-8”) # 找到包含电影名称的行编号 name <- web[grep(‘<tdheaders=”m_name”>’,web)+1] # 用正则表达式来提取电影名 gregout <- gregexpr(‘>w+’,name) movie.names = 0 for(i in1:250){ movie.names<-getcontent(name,gregout[]) } movie.names <-sub(‘>’,”,movie.names) # 找到包含电影发行年份的行编号并进行提取 year <- web[grep(‘<spanclass=”year”>’,web)] movie.year <- substr(year,36,39) # 找到包含电影评分的行编号并进行提取 score <- web[grep(‘<tdheaders=”m_rating_score”>’,web)+1] movie.score <- substr(score,21,23) # 找到包含电影评价数量的行编号并进行提取 rating <- web[grep(‘<tdheaders=”m_rating_num”>’,web)+1] movie.rating <- sub(’ *’,rating) # 合成为数据框 movie <-data.frame(names=movie.names,year=as.numeric(movie.year), score=as.numeric(movie.score),rate=as.numeric(movie.rating)) # 绘散点图 library(ggplot2) p <-ggplot(data=movie,aes(x=year,y=score)) p+geom_point(aes(size=rate),colour=’lightskyblue4’, position=”jitter”,alpha=0.8)+ geom_point(aes(x=1997,y=8.9),colour=’red’,size=4) (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |