用 rvest 抓取 r 中不同行数

Question

https://www.transfermarkt.de/alexander-bade/profil/spieler/31

是否可以一次刮完整个table？

Answer 1

这是一种使用 rvest 和 tidyverse...

一次性抓取 table 的方法

library(tidyverse) #specifically purrr, dplyr and stringr
library(rvest)

page <- read_html("https://www.transfermarkt.de/alexander-bade/profil/spieler/31")

rows <- page %>% html_elements(".tm-player-transfer-history-grid")

cells <- map(rows, ~html_elements(., "div") %>% html_text() %>% str_trim())

cells <- cells[sapply(cells, length) > 2]  #remove last row (totals, only 2 cells)

table <- map_dfr(cells[-1], ~set_names(., cells[[1]])) #first row is headings

table
# A tibble: 11 × 6
   Saison Datum      `Abgebender Verein` `Aufnehmender Verein` MW         Ablöse    
   <chr>  <chr>      <chr>               <chr>                 <chr>      <chr>     
 1 09/10  01.07.2009 Arm. Bielefeld      Karriereende          -          -         
 2 08/09  01.09.2008 Vereinslos          Arm. Bielefeld        -          -         
 3 08/09  01.07.2008 Bor. Dortmund       Vereinslos            200 Tsd. € -         
 4 07/08  01.01.2008 SC Paderborn        Bor. Dortmund         400 Tsd. € 100 Tsd. €
 5 07/08  01.07.2007 VfL Bochum          SC Paderborn          400 Tsd. € ablösefrei
 6 06/07  01.07.2006 1.FC Köln           VfL Bochum            400 Tsd. € ablösefrei
 7 00/01  01.07.2000 Hamburger SV        1.FC Köln             -          125 Tsd. €
 8 98/99  01.07.1998 KFC Uerdingen       Hamburger SV          -          300 Tsd. €
 9 94/95  01.07.1994 1.FC Köln           Bayer 05              -          500 Tsd. €
10 91/92  01.07.1991 1.FC Köln II        1.FC Köln             -          -         
11 88/89  01.07.1988 TeBe Berlin U19     1.FC Köln II          -          ablösefrei

Answer 2

这是一种一次性获取 table 并包含标志网址的方法（当单元格中没有标志时留空）

library(rvest)
library(dplyr)

pg <- read_html("https://www.transfermarkt.de/alexander-bade/profil/spieler/31")
row_class    <- "tm-player-transfer-history-grid"
header_class <- paste0(row_class, " ", row_class, "--heading")

dplyr::bind_cols(
  pg %>% html_nodes(xpath = paste0("//div[@class='", row_class, "']")) %>%
         sapply(function(x) html_children(x) %>% 
                 sapply(function(x) html_text(x) %>% trimws())) %>%
         t() %>%
         as.data.frame() %>%
         setNames(pg %>% 
            html_nodes(xpath = paste0("//div[@class='", header_class, "']")) %>%
            html_children() %>%
            sapply(html_text)),
  pg %>% html_nodes(xpath =  paste0("//div[@class='", row_class, "']")) %>%
        lapply(function(x) {
          unlist(lapply(html_children(x), function(x) { 
            a <- html_node(x, xpath = "./img")
            if(length(a) == 0) ""
            else html_attr(a, "data-src")
            }))}) %>%
        do.call(rbind, .) %>%
        `[`(,3:4) %>%
        as.data.frame() %>%
        setNames(c("old_club_flag", "new_club_flag"))
) %>% as_tibble() %>% select(-7)
#> New names:
#> * `` -> ...7
#> # A tibble: 11 x 8
#>    Saison Datum     `Abgebender Ve~` `Aufnehmender ~` MW    Ablöse old_club_flag
#>    <chr>  <chr>     <chr>            <chr>            <chr> <chr>  <chr>        
#>  1 09/10  01.07.20~ Arm. Bielefeld   Karriereende     -     -      "https://tms~
#>  2 08/09  01.09.20~ Vereinslos       Arm. Bielefeld   -     -      ""           
#>  3 08/09  01.07.20~ Bor. Dortmund    Vereinslos       200 ~ -      "https://tms~
#>  4 07/08  01.01.20~ SC Paderborn     Bor. Dortmund    400 ~ 100 T~ "https://tms~
#>  5 07/08  01.07.20~ VfL Bochum       SC Paderborn     400 ~ ablös~ "https://tms~
#>  6 06/07  01.07.20~ 1.FC Köln        VfL Bochum       400 ~ ablös~ "https://tms~
#>  7 00/01  01.07.20~ Hamburger SV     1.FC Köln        -     125 T~ "https://tms~
#>  8 98/99  01.07.19~ KFC Uerdingen    Hamburger SV     -     300 T~ "https://tms~
#>  9 94/95  01.07.19~ 1.FC Köln        Bayer 05         -     500 T~ "https://tms~
#> 10 91/92  01.07.19~ 1.FC Köln II     1.FC Köln        -     -      "https://tms~
#> 11 88/89  01.07.19~ TeBe Berlin U19  1.FC Köln II     -     ablös~ "https://tms~
#> # ... with 1 more variable: new_club_flag <chr>

^{由 reprex package (v2.0.1)}

创建于 2022-05-13

用 rvest 抓取 r 中不同行数

scraping with rvest with different number of rows in r

r

web-scraping

rows

rvest