左手用R右手Python系列(XXIII):表格数据抓取之道

在抓取数据时，很大一部分需求是抓取网页上的关系型表格。

对于表格而言，R语言和Python中都封装了表格抓取的快捷函数，R语言中XML包中的readHTMLTables函数封装了提取HTML内嵌表格的功能，rvest包的read_table()函数也可以提供快捷表格提取需求。Python中read_html同样提供直接从HTML中抽取关系表格的功能。

HTML语法中内嵌表格有两类，一类是table，这种是通常意义上所说的表格，另一类是list，这种可以理解为列表，但从浏览器渲染后的网页来看，很难区分这两种，因为效果上几乎没有差异，但是通过开发者工具的后台代码界面，table和list是两种截然不同的HTML元素。

以上所说到的函数是针对HTML文档中不同标签设计的，所以说如果不加区分的使用这些函数提取表格，很可能对于那些你认为是表格，但是是实际上是list的内容无效。

library("RCurl")
library("XML")
library("magrittr")
library("rvest")

针对XML包而言，一共有三个HTML元素提取的快捷函数，分别是针对HTML表格元素，列表元素，和链接元素，这些快捷函数都是：

readHTMLTable()   #获取网页表格
readHTMLList()     #获取网页列表
getHTMLlinks()     #从HTML网页获取链接

readHTMLTable

readHTMLTable(doc,header=TRUE)
#the HTML document which can be a file name or a URL or an 
#already parsed HTMLInternalDocument, or an HTML node of class 
#XMLInternalElementNode, or a character vector containing the HTML 
#content to parse and process.

该函数支持的HTML文档格式非常广泛，doc可以是一个url链接，可以是一个本地html文档，可以是一个已经解析过的HTMLInternalDocument部件，或者提取出来的HTML节点，甚至包含HTML语法元素的字符串向量。

以下是一个案例，也是我自学爬虫时爬过的网页，后来可能有改版，很多小伙伴儿用那些代码爬不出来，问我咋回事儿。自己试了以下也不行，今天借机重新梳理思路。

大连市2016年空气质量数据可视化~

URL"https://www.aqistudy.cn/historydata/monthdata.php?city=北京" %>% xml2::url_escape(reserved ="][!$&'()*+,;=:/?@#")
####
关于网址转码，如果你不想使用函数进行编码转换，
可以通过在线转码平台转码后赋值黏贴使用，但是这不是一个好习惯，
在封装程序代码时无法自动化。
#http://tool.oschina.net/encode?type=4
#R语言自带的转码函数URLencode()转码与浏览器转码结果不一致，
所以我找了很多资料，在xml2包里找打了rvest包的url转码函数，
稍微做了修改，现在这个函数你可以放心使用了！（注意里面的保留字）
###

mydata% htmlParse(encoding ="UTF-8") %>% readHTMLTable(header=TRUE)

结果竟然是空的，我猜测这个网页一定是近期做过改版，里面加入了一些数据隐藏措施，这样除了浏览器初始化解析可以看到数据表之外，浏览器后台的network请求链接里都看不到具体数据。

这样既没有API链接，又无法请求道完整网页怎么办呢？别怕，我们不是还有Selenium大法，不行我们就暴力抓取呀！

本次使用Rselenium包，结合plantomjs浏览器来抓取网页。（关于配置可以直接百度，此类帖子很多，主要是版本对应，相应路径加入环境变量）。

###启动selenium服务：



    
cd D:\
java -jar selenium-server-standalone-3.3.1.jar
###以上代码在PowerShell中运行，启动selenium服务器。
#创建一个remoteDriver对象，并打开
library("RSelenium")
remDr "phantomjs")
remDr$open() 

#访问登录的页面
remDr$navigate("https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC") 
mytable1]] %>% htmlParse(encoding ="UTF-8") %>% readHTMLTable(header=TRUE,which =1)
mytable1]] %>% read_html(encoding ="UTF-8") %>% html_table(header=TRUE) %>% `[[`(1)
#关闭remoteDriver对象
remDr$close()

以上两者是等价的，我们获取了一模一样的表格数据，数据预览如下：

DT::datatable(mytable)

readHTMLTable函数和rvest函数中的html_table都可以读取HTML文档中的内嵌表格，他们是很好的高级封装解析器，但是并不代表它们可以无所不能。

毕竟巧妇难为无米之炊，首先需要拿米才能下锅,所以我们在读取表格的时候，最好的方式是先利用请求库请求（RCurl或者httr），请求回来的HTML文档再使用readHTMLTable函数或者html_table函数进行表格提取，否则将无功而反，遇到今天这种情况的，明明浏览器渲染后可以看到完整表格，然后后台抓取没有内容，不提供API访问，也拿不到完整的html文档，就应该想到是有什么数据隐藏的设置。

没关系见招拆招嘛，既然浏览器能够解析，那我就驱动浏览器获取解析后的HTML文档，返回解析后的HTML文档，之后的工作就是使用这些高级函数提取内嵌表格了。

那么selenium服务器+plantomjs无头浏览器帮我们做了什么事呢，其实只做了一件事——帮我们做了一个真实的浏览器请求，这个请求是由plantomjs无头浏览器完成的，它帮我们把经过渲染后的完整HTML文档传送过来，这样我们就可以使用readHTMLTable函数或者read_table()

在XML包中，还有另外两个非常好用的高阶封装函数：

一个用于抓取链接，一个用于抓取列表。

readHTMLList
getHTMLLinks

http://www.tianqi.com/air/

我随便找了一个天气网首页，有全国各大城市的空气指数数据。这个看似是一个表格，实际不一定，我们可以使用现有表格函数试一试。

url"http://www.tianqi.com/air/"
mylist "UTF-8") %>% htmlParse(encoding ="gbk") %>% readHTMLTable(header=TRUE)
mylist < url %>%  read_html(encoding ="gbk") %>% html_table(header=TRUE) %>% `[[`(1)
NULL

使用以上代码抓内容是空的，原因有两种情况，一种是html里面标签根本不是table格式，有可能是list,另外一种情况可能跟上例一样，表格数据被隐藏。看一下源码就知道这个版块其实是list无序列表存储的，所以使用readtable肯定行不通，这时候就是readHTMLList函数大显身手的时候了。

header      "User-Agent"="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36"
      )
mylist "windows-1253") %>% htmlParse() %>% readHTMLList()  %>% `[[`(4)  %>% .[2:length(.)]
mylist "UTF-8") %>% html_nodes(".thead li") %>% html_text()  %>% `[[`(4)  %>% .[2:length(.)]
mylist "UTF-8") %>% htmlParse() %>% readHTMLList()  %>% `[[`(4)

虽然成功的获取到了结果，但是遇到了令人厌恶的编码问题，不想跟各种编码斗智斗勇，再次使用了phantomjs无头浏览器，毕竟作为浏览器总是可以正确的解析并渲染网页内容，无论HTML文档的编码声明有多么糟糕！




    
#cd D:\
#java -jar selenium-server-standalone-3.3.1.jar

#创建一个remoteDriver对象，并打开
library("RSelenium")
remDr "phantomjs")
remDr$open() 

#访问登录的页面
remDr$navigate("http://www.tianqi.com/air/") 
mylist1]] %>% htmlParse(encoding="utf-8") %>% readHTMLList() %>% `[[`(8) %>% .[2:length(.)]
#关闭remoteDriver对象
remDr$close()

这次终于看到了希望，果然plantomjs浏览器的渲染效果非同一般！

使用str_extract()函数提取城市id、城市名称、城市污染物指数、污染状况。

library("stringr")
pattern"(\\d{1,})([\\u4e00-\\u9fa5]{1,})"
mylist% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,1] %>% str_extract("\\d{1,}"),
City = mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,1] %>% str_extract("[\\u4e00-\\u9fa5]{1,}"),
AQI  = mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,2] %>% str_extract("\\d{1,}"),
Quity= mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,2] %>% str_extract("[\\u4e00-\\u9fa5]{1,}")
)
DT::datatable(mylist)

最后一个函数便是抓取网址链接的高级封装函数，因为在html中，网址的tag一般都比较固定，跳转的网址链接一般在标签的href属性中，图片链接一般在标签下的src属性内，比较好定位。

随便找一个知乎的摄影帖子，高清图多的那种！

url"https://www.zhihu.com/question/35017762"
mylink "utf-8") %>% htmlParse() %>% getHTMLLinks()
 [1] "/"                                   "/"                                   "/explore"                           
 [4] "/topic"                              "/topic/19551388"                     "/topic/19555444"                    
 [7] "/topic/19559348"                     "/topic/19569883"                     "/topic/19626553"                    
[10] "/people/geng-da-shan-ren"            "/people/geng-da-shan-ren"            "/question/35017762/answer/240404907"
[13] "/people/he-xiao-pang-zi-30"          "/people/he-xiao-pang-zi-30"          "/question/35017762/answer/209942092"

getHTMLLinks(doc, externalOnly = TRUE, xpQuery = “//a/@href”,baseURL = docName(doc), relative = FALSE)

通过getHTMLLinks的源码可以看到，该函数过滤的链接的条件仅仅是标签下的href属性内的链接，我们可以通过修改xpQuery内的apath表达式参数来获取图片链接。




    
mylink "utf-8") %>% htmlParse() %>% getHTMLLinks(xpQuery = "//img/@data-original")

这样轻而易举的就拿到了该知乎摄影帖子的所有高清图片原地址，效率也高了很多。

Python:

python中如果不用爬虫工具，目前我所知道的表格提取工具就是pandas中的read_html函数了，他相当于一个I/O函数（同其他的read_csv，read_table,read_xlsx等函数一样）。同样适用以上R语言中第一个案例的天气数据，直接利用pd.read_html函数也无法获取表格数据，原因相同，html文档中有数据隐藏设定。

import pandas as pd
url="https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC"
dfs = pd.read_html(url)

这里我们同样使用Python中的selenium+plantomjs工具来请求网页，获取完整的源文档之后，使用pd.read_html函数进行提取。

from selenium import webdriver
driver = webdriver.PhantomJS()
driver.get('https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC')
dfs = pd.read_html(driver.page_source,header=0)[0]
driver.quit()