房地产广告上的网络抓取

Question

作为一个经济研究团队的实习生，我的任务是找到一种方法来自动收集房地产广告网站上的特定数据，使用R。

我假设相关的包是XML和RCurl，但我对他们的工作的理解非常有限。

这是该网站的主页：http://www.leboncoin.fr/ventes_immobilieres/offres/nord_pas_de_calais/?f=a&th=1&zz=59000理想情况下，我想构建我的数据库，使每一行对应一个广告。

这里是一个广告的细节:我的变量是:价格("Prix")，城市("Ville")，表面(" surface ")，"GES“，”classeénergie“和房间的数量("Pièces")，以及在广告中显示的图片数量。我还想将文本导出到一个字符矢量中，稍后我将对其进行文本挖掘分析。

我正在寻找任何帮助，链接到教程或如何操作，这将给我一个线索的路径遵循。

Answer 1

您可以使用R中的XML包来抓取这些数据。这里有一段代码应该会对你有所帮助。

# DEFINE UTILITY FUNCTIONS

# Function to Get Links to Ads by Page
get_ad_links = function(page){
  require(XML)
  # construct url to page
  url_base = "http://www.leboncoin.fr/ventes_immobilieres/offres/nord_pas_de_calais/"
  url      = paste(url_base, "?o=", page, "&zz=", 59000, sep = "")
  page     = htmlTreeParse(url, useInternalNodes = T)

  # extract links to ads on page
  xp_exp   = "//td/a[contains(@href, 'ventes_immobilieres')]"
  ad_links = xpathSApply(page, xp_exp, xmlGetAttr, "href")
  return(ad_links)  
}

# Function to Get Ad Details by Ad URL
get_ad_details = function(ad_url){
   require(XML)
   # parse ad url to html tree
   doc = htmlTreeParse(ad_url, useInternalNodes = T)

   # extract labels and values using xpath expression
   labels  = xpathSApply(doc, "//span[contains(@class, 'ad')]/label", xmlValue)
   values1 = xpathSApply(doc, "//span[contains(@class, 'ad')]/strong", xmlValue)
   values2 = xpathSApply(doc, "//span[contains(@class, 'ad')]//a", xmlValue)
   values  = c(values1, values2)

   # convert to data frame and add labels
   mydf        = as.data.frame(t(values))
   names(mydf) = labels
   return(mydf)
}

下面是如何使用这些函数将信息提取到数据框中。

# grab ad links from page 1
ad_links = get_ad_links(page = 1)

# grab ad details for first 5 links from page 1
require(plyr)
ad_details = ldply(ad_links[1:5], get_ad_details, .progress = 'text')

这将返回以下输出

Prix :     Ville :  Frais d'agence inclus :  Type de bien :  Pièces :  Surface :  Classe énergie :          GES : 
469 000 € 59000 Lille                      Oui          Maison         8     250 m2  F (de 331 à 450)           <NA>
469 000 € 59000 Lille                      Oui          Maison         8     250 m2  F (de 331 à 450)           <NA>
140 000 € 59000 Lille                     <NA>     Appartement         2      50 m2  D (de 151 à 230) E (de 36 à 55)
140 000 € 59000 Lille                     <NA>     Appartement         2      50 m2  D (de 151 à 230) E (de 36 à 55)
170 000 € 59000 Lille                     <NA>     Appartement      <NA>      50 m2  D (de 151 à 230) D (de 21 à 35)

您可以轻松地使用apply系列函数遍历多个页面以获取所有广告的详细信息。有两件事需要注意。一个是从网站上抓取的合法性。二是在循环函数中使用Sys.sleep，这样服务器就不会被请求轰炸。

让我知道这是如何工作的

Answer 2

这是一个相当大的问题，所以您需要将其分解为较小的部分，并查看哪些部分被卡住了。

检索网页有问题吗？(请注意代理服务器问题。)或者，棘手的比特正在从它访问有用的数据位？(为此，您可能需要使用xPath。)

请查看Rosetta上的web-scraping example代码并浏览these SO questions以获取更多信息。