• 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

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。