• R语言

  • 一个爬网页的练习：看看 R 邮件列表中最热门的讨论是什么

yihui

用xml2做了一个:
Rmarkdown
效果

这种结构比较标准的html还是挺好处理的

不过我只爬了一个月，仔细一看同一个thread在多个月里都会出现，要合并也可以，不过数据清理已经超出了这个爬虫的功能范围哈哈哈，暂时在此收手了。

      tctcab 不错不错！好了，那就请别的壮士继续背这口锅吧，一是把历史数据爬完，二是在数据里加一列，就是帖子的时间（年月即可）。数据弄好后，如果有相邻月份的帖子标题相同，那就把前一个月的计数加到后一个月的计数上。

          yihui
          年月并没有在xml里出现，不过那个thread的地址里有年月信息，要整合也不難，

          既然都做到这步了那就顺便走完吧，屁股没擦干净留给别人总不大好哈哈哈

            yihui
            爬好了（从97年4月到目前的数据），戳这：https://github.com/jienagu/tidyverse_examples/blob/master/web_scraping_r_devel.R
            结果(已经排序好了)如下：

            > head(everything2)
                                                   link                                                          Link_url count
1                  [Rd] [RFC] A case for freezing CRAN      https://stat.ethz.ch/pipermail/r-devel/2014-March/068548.html    64
2                                   [Rd] CRAN policies      https://stat.ethz.ch/pipermail/r-devel/2012-March/063678.html    51
3                 [Rd] surprising behaviour of names<-      https://stat.ethz.ch/pipermail/r-devel/2009-March/052522.html    49
4                           [Rd] legitimate use of :::     https://stat.ethz.ch/pipermail/r-devel/2013-August/067180.html    45
5 [Rd] Computer algebra in R - would that be an idea??       https://stat.ethz.ch/pipermail/r-devel/2005-July/033940.html    40
6                                  [Rd] if(--as-cran)?  https://stat.ethz.ch/pipermail/r-devel/2012-September/064760.html    39

              这是 r-devel 的前十名：

              > everything2[1:10,]
                                                             link                                                          Link_url count
1                            [Rd] [RFC] A case for freezing CRAN      https://stat.ethz.ch/pipermail/r-devel/2014-March/068548.html    64
2                                             [Rd] CRAN policies      https://stat.ethz.ch/pipermail/r-devel/2012-March/063678.html    51
3                           [Rd] surprising behaviour of names<-      https://stat.ethz.ch/pipermail/r-devel/2009-March/052522.html    49
4                                     [Rd] legitimate use of :::     https://stat.ethz.ch/pipermail/r-devel/2013-August/067180.html    45
5           [Rd] Computer algebra in R - would that be an idea??       https://stat.ethz.ch/pipermail/r-devel/2005-July/033940.html    40
6                                            [Rd] if(--as-cran)?  https://stat.ethz.ch/pipermail/r-devel/2012-September/064760.html    39
7                            [Rd] declaring package dependencies  https://stat.ethz.ch/pipermail/r-devel/2013-September/067446.html    39
8                          [Rd] Suggestion: help(<package name>)       https://stat.ethz.ch/pipermail/r-devel/2005-June/033480.html    38
9                              [Rd] Bias in R's random integers?  https://stat.ethz.ch/pipermail/r-devel/2018-September/076817.html    38
10 [Rd] R 3.0, Rtools3.0,l Windows7 64-bit, and permission agony      https://stat.ethz.ch/pipermail/r-devel/2013-April/066388.html    37

              源代码在上述贴子中。

                yihui

                研究了一下合并帖子，觉得并不简单，因为：
                - 同一个串下面标题有可能不一致
                - 不同串有可能名字一样

                尝试了合并标题一样的帖子，但不一定对。比如04,06,07年都有个名为“[Rd] Wish list”的串

                另外就是抓取的时候一不留神就连接错误，所以我先把thread.html下载到本地再提取信息，速度也快了不少（8分钟到19秒）

                结果：

                Rmarkdown
                效果

                合并串之后可以看出结果跟Jiena 的前十名还是有点细微差别：

                # A tibble: 10 x 4
   title                          link                            reps year_mon  
   <chr>                          <chr>                          <int> <chr>     
 1 "[Rd] [RFC] A case for freezi… https://stat.ethz.ch/pipermai…    69 2014-March
 2 "[Rd] Wish list\n"             https://stat.ethz.ch/pipermai…    62 2007-Janu…
 3 "[Rd] CRAN policies\n"         https://stat.ethz.ch/pipermai…    51 2012-March
 4 "[Rd] legitimate use of :::\n" https://stat.ethz.ch/pipermai…    48 2014-May  
 5 "[Rd] NEWS.md support on CRAN… https://stat.ethz.ch/pipermai…    48 2015-May  
 6 "[Rd] surprising behaviour of… https://stat.ethz.ch/pipermai…    48 2009-March
 7 "[Rd] declaring package depen… https://stat.ethz.ch/pipermai…    42 2013-Sept…
 8 "[Rd] if(--as-cran)?\n"        https://stat.ethz.ch/pipermai…    42 2012-Sept…
 9 "[Rd] Bias in R's random inte… https://stat.ethz.ch/pipermai…    37 2018-Sept…
10 "[Rd] R 3.0, Rtools3.0,l Wind… https://stat.ethz.ch/pipermai…    36 2013-April

                      Jiena 第四名的楼是我盖的。我以前曾经盖过几栋高楼，不过我都忘记了这一栋有这么高。好在它最后没变成烂尾楼。也是少有的 R 核心团队最终采纳了我的意见的情形。

                      可否写一份 CSV 数据到 Github 上？

                      还有 R-help 列表也可以抓一下（我来做一回伸手党），估计热度会更高，毕竟 R-devel 是开发者列表，参与人数少很多。

                      tctcab 没事，这个我考虑到了，不用太精确。谢谢！

                      dapengde 你这个晒泥是实时晒的吗？拖一下滑动条就重新现抓网页？那好像有点浪费资源啊。

                              tctcab 赞赞赞！好厉害！对了，昨天忘了回复您，的确如您所说的：同一串可能标题不一样，我把新标题当成新问题，因为有可能问着问着楼歪了话题岔开了。不同串可能标题相同，这里我当时的确有些纠结，您的方法是先把原始数据下下来，然后汇总，而我的是先把每个月的数据汇总，再粘在一起。我当时考虑的是不同月份的相同标题是不是具体问的一个问题。比如四月底问的问题，别人五月回的贴，五月的回帖是归于四月还是五月？又或许是不同的人问了同一领域的问题，于是取了相同的标题？

                                  yihui 目前是的。最好别拖。等哪位壮士拿 travis 定期爬一爬，就可以在晒泥载入的时候一次性灌进去了。

                                    dapengde
                                    区区三十六个月，还不到总体七分之一，总数据这可是有266个月两万多串，粗略地计算duplicate(title)都能找到大概两千多个标题重复的主题。

                                        yihui
                                        爬好了，如下：

                                            Jiena 您好，我是新手，我想问一下最后一行代码跑的时候出现了错误，是为什么呢？谢谢。output=map(trans_month, ~ scraplinks_JM(.x))

                                                Jiena 可能我还木有学会基础知识，如果是低级问题，层主就不用回了，谢谢您。

                                                output=map(trans_month, ~ scraplinks_JM(.x))
                                                Show Traceback

                                                Rerun with Debug
                                                Error in open.connection(x, "rb") : HTTP error 404.

                                                    基于 Jiena 的代码，来个依赖最小的版本

                                                    # 安装必要的依赖
packages <- c("rvest", "knitr")
lapply(packages, function(pkg) {
  if (system.file(package = pkg) == "") install.packages(pkg)
})

# 确保 Windows 下的中文环境也能获取正确的日期格式化结果
Sys.setlocale("LC_TIME", "C")
# 格式化日期序列
all_months <- format(
  seq(
    from = as.Date("1997-04-01"),
    to = Sys.Date(), by = "1 month"
  ),
  "%Y-%B"
)

# 清理帖子主题
clean_discuss_topic <- function(x) {
  # 去掉中括号及其内容
  x <- gsub("(\\[.*?\\])", "", x)
  # 去掉末尾换行符 \n
  x <- gsub("(\\\n)$", "", x)
  # 两个以上的空格替换为一个空格
  x <- gsub("( {2,})", " ", x)
  x
}
library(magrittr)
x <- "2019-February"
base_url <- "https://stat.ethz.ch/pipermail/r-devel"

# 下面的部分可以打包成一个函数
# 输入是日期 x 输出是一个 markdown 表格

# 抓取当月的数据
scrap_webpage <- xml2::read_html(paste(base_url, x, "subject.html", sep = "/"))
# Extract the URLs 提取链接尾部
tail_url <- scrap_webpage %>%
  rvest::html_nodes("a") %>%
  rvest::html_attr("href")
# Extract the theme 提取链接对应的讨论主题
discuss_topic <- scrap_webpage %>%
  rvest::html_nodes("a") %>%
  rvest::html_text()

# url 和 讨论主题合并为数据框
discuss_df <- data.frame(discuss_topic = discuss_topic, tail_url = tail_url)

# 清理无效的帖子记录
discuss_df <- discuss_df[grepl(pattern = "\\.html$", x = discuss_df$tail_url), ]
# 清理帖子主题内容
discuss_df$discuss_topic <- clean_discuss_topic(discuss_df$discuss_topic)

# 去重 # 只保留第一条发帖记录
discuss_uni_df <- discuss_df[!duplicated(discuss_df$discuss_topic), ]
# 分组计数
discuss_count_df <- as.data.frame(table(discuss_df$discuss_topic), stringsAsFactors = FALSE)
# 对 discuss_count_df 的列重命名
colnames(discuss_count_df) <- c("discuss_topic", "count")
# 按讨论主题合并数据框
discuss <- merge(discuss_uni_df, discuss_count_df, by = "discuss_topic")

# 添加完整的讨论帖的 url
discuss <- transform(discuss, full_url = paste(base_url, x, tail_url, sep = "/"))
# 选取讨论主题、主题链接和楼层高度
discuss <- discuss[, c("discuss_topic", "full_url", "count")]

# 按楼层高度排序，转化为 Markdown 表格形式输出
discuss[order(discuss$count, decreasing = TRUE), ] %>%
  knitr::kable(format = "markdown", row.names = FALSE) %>%
  cat(file = paste0(x, "-disuss.md"), sep = "\n")

                                                    总依赖如下，现在差不多可以往 Travis 上搞定时任务了，只要把输出的 markdown 文件推回 Github 即可

                                                    tools::package_dependencies(packages,recursive=T) %>% unlist %>% unique
 [1] "xml2"     "httr"     "magrittr" "selectr"  "curl"     "jsonlite"
 [7] "mime"     "openssl"  "R6"       "methods"  "stringr"  "Rcpp"    
[13] "tools"    "askpass"  "utils"    "glue"     "stringi"  "sys"     
[19] "stats"    "evaluate" "highr"    "markdown" "yaml"     "xfun"

                                                    我还不知道论坛里怎么贴 Markdwon 表格，即文件 2019-February-disuss.md 的内容，所以请移步 <https://github.com/XiangyunHuang/RGraphics/issues/5>

                                                    如果将所有的帖子都扒拉下来，根据帖子主题之间的关系，有没有可能将它们分类，用 shiny 做一个可视化前端，根据时间和楼层数显示每类帖子下面热门的讨论

                                                    如果把每个帖子的发帖人和回帖人也提取，那么还可以看特定的人的情况

                                                    根据帖子的 ID 长度来看是六位数，不足百万，SO 上面已经是八位数了

                                                        dapengde 右侧的条形图不妨只是精确到季度，或者不要用条形图表示，用点图就可以了，或者用动态的时间序列包 dygraphs 来表示，另外有一点疑惑，动不动就掉线是什么原因

                                                            Cloud2016 好建议，我把 dygraphics 加上了，而 ggplot 改成了精确到年。

                                                            掉线可能是为了节省机时。因为 shinyapps.io 的免费机时有限，停一会儿看用户没操作，就给断了。