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

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

晒泥版来啦：

• <http://rchive.pzhao.org>

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。

Jiena tctcab 我的晒泥版抓的最近 36 个月标题未见重复啊。

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

yihui 晒泥版升级了， 只在打开时载入一次，滑块仅用来筛选时间区间。

另外，画了个简单的柱状图，显示每个月的回帖总量。

Cloud2016

本论坛应该是不支持表格语法吧。
--- <https://d.cosx.org/d/420350-pagedown-pdf/9>

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