R Academy · Lekcja

Scraping tabel i linków

Parsuj tabele HTML do ramek danych i zbieraj wszystkie hiperłącza na stronie.

Lekcja 3 z 413 kroki

Scraping tabel i linków to bezpłatna lekcja R Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej R Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs R Academy zawiera 4 lekcji w sumie.

Tabele HTML na stronach internetowych

Tabele HTML (<table>) są najwygodniejszym celem scrapingu, ponieważ mają już określoną strukturę. Funkcja html_table() z rvest bezpośrednio konwertuje je na ramki danych R i automatycznie obsługuje nagłówki.

library(rvest)
html <- read_html('
  <table>
    <thead><tr><th>Country</th><th>GDP</th><th>Pop</th></tr></thead>
    <tbody>
      <tr><td>USA</td><td>25T</td><td>330M</td></tr>
      <tr><td>China</td><td>18T</td><td>1400M</td></tr>
    </tbody>
  </table>
')
# html_table converts to data frame
tbl <- html_table(html_element(html, 'table'))
class(tbl)      # 'data.frame'
names(tbl)      # c('Country', 'GDP', 'Pop')
nrow(tbl)       # 2
print(tbl)

html_table() dla całej strony

Gdy strona zawiera wiele tabel, użyj funkcji html_elements() (w liczbie mnogiej), aby pobrać wszystkie tabele, a następnie zastosuj html_table() do wynikowego nodeset, aby otrzymać listę ramek danych. Wybierz potrzebną tabelę za pomocą indeksu.

library(rvest)
html <- read_html('
  <table id="t1"><tr><th>A</th></tr><tr><td>1</td></tr></table>
  <table id="t2"><tr><th>X</th><th>Y</th></tr>
    <tr><td>10</td><td>20</td></tr></table>
')
# Get ALL tables as a list of data frames
tables <- html_table(html_elements(html, 'table'))
length(tables)  # 2

# First table
tables[[1]]

# Second table
tables[[2]]

# Select a specific table by its id
table2 <- html_table(html_element(html, '#t2'))
print(table2)

Czyszczenie danych tabeli

Tabele pobrane ze stron internetowych często mają nieuporządkowane nagłówki, scalone komórki lub nadmiarowe białe znaki. Użyj janitor::clean_names() do uporządkowania nagłówków oraz standardowych operacji dplyr/stringr do oczyszczenia wartości komórek.

library(rvest)
html <- read_html('
  <table>
    <tr><th>Product Name</th><th>Price (USD)</th><th>In Stock?</th></tr>
    <tr><td>  Widget A  </td><td>$12.50</td><td>Yes</td></tr>
    <tr><td>Gadget B</td><td>$7.99</td><td>No</td></tr>
  </table>
')
df <- html_table(html_element(html, 'table'))

# Clean column names
names(df) <- c('product', 'price', 'in_stock')

# Strip whitespace and dollar signs
df$product  <- trimws(df$product)
df$price    <- as.numeric(gsub('[$]', '', df$price))
df$in_stock <- df$in_stock == 'Yes'
print(df)

Pobieranie wszystkich odnośników ze strony

Odnośniki to znaczniki kotwic (<a>) zawierające atrybuty href. Użyj html_elements(page, 'a'), aby pobrać wszystkie kotwice, następnie html_attr('href') do pobrania adresów URL i html_text2() do pobrania tekstu odnośników.

library(rvest)
html <- read_html('
  <div>
    <a href="/about">About Us</a>
    <a href="/products">Products</a>
    <a href="https://partner.com" rel="external">Partner</a>
    <a>No href link</a>
  </div>
')
# Get all anchor elements
anchors <- html_elements(html, 'a')

# Extract text and href
link_text <- html_text2(anchors)
link_href <- html_attr(anchors, 'href')

data.frame(text = link_text, href = link_href)
# Note: last row has NA href

Filtrowanie wartościowych odnośników

Na rzeczywistych stronach odnośniki nawigacyjne, odnośniki w stopce i kotwice wewnętrzne występują razem z odnośnikami, których faktycznie potrzebujesz. Odfiltruj je, usuwając wartości NA, kotwice (#) i odnośniki javascript:, a następnie zastosuj dopasowywanie wzorców, aby pozostawić tylko odpowiednie adresy URL.

library(rvest)
html <- read_html('
  <div>
    <a href="/article/1">Article One</a>
    <a href="/article/2">Article Two</a>
    <a href="#top">Back to top</a>
    <a href="javascript:void(0)">JS link</a>
    <a href="/article/3">Article Three</a>
  </div>
')
anchors <- html_elements(html, 'a')
hrefs <- html_attr(anchors, 'href')
texts <- html_text2(anchors)

# Keep only article links
article_idx <- grepl('^/article/', hrefs) & !is.na(hrefs)
article_links <- data.frame(
  text = texts[article_idx],
  href = hrefs[article_idx]
)
print(article_links)

Od względnych do bezwzględnych adresów URL

Pobrane wartości href często są względnymi ścieżkami, takimi jak /page. Przekształć je w bezwzględne adresy URL, dodając na początku bazowy adres URL. Funkcja xml2::url_absolute() robi to poprawnie.

library(rvest)
base_url <- 'https://books.toscrape.com'

html <- read_html('
  <ul>
    <li><a href="/catalogue/book1">Book One</a></li>
    <li><a href="/catalogue/book2">Book Two</a></li>
    <li><a href="https://external.com/book">External</a></li>
  </ul>
')
hrefs <- html_attr(html_elements(html, 'a'), 'href')

# xml2::url_absolute resolves relative + keeps absolute
abs_urls <- xml2::url_absolute(hrefs, base = base_url)
abs_urls
# 'https://books.toscrape.com/catalogue/book1'
# 'https://books.toscrape.com/catalogue/book2'
# 'https://external.com/book'  <- kept as-is

Ukierunkowane pobieranie odnośników

Zamiast pobierać wszystkie odnośniki i następnie je filtrować, użyj konkretnych selektorów CSS, aby wybrać tylko potrzebne odnośniki. Połącz kontekst elementu z selektorami atrybutów, aby uzyskać większą precyzję.

library(rvest)
html <- read_html('
  <nav class="breadcrumb">
    <a href="/">Home</a> > <a href="/books">Books</a>
  </nav>
  <ul class="products">
    <li><a href="/books/1" class="prod-link">Clean Code</a></li>
    <li><a href="/books/2" class="prod-link">Refactoring</a></li>
  </ul>
  <footer>
    <a href="/privacy">Privacy</a>
  </footer>
')
# Target ONLY product links (not nav or footer)
prod_links <- html_elements(html, 'ul.products a.prod-link')
data.frame(
  title = html_text2(prod_links),
  url   = html_attr(prod_links, 'href')
)

Łączenie danych tabel i odnośników

Często komórki tabel zawierają odnośniki. Połącz html_table() do pobierania wartości tekstowych z ukierunkowanym użyciem html_attr() do pobierania osadzonych odnośników, aby utworzyć bogatszą ramkę danych.

library(rvest)
html <- read_html('
  <table class="results">
    <tr><th>Book</th><th>Author</th></tr>
    <tr>
      <td><a href="/b/1">Clean Code</a></td>
      <td>Robert Martin</td>
    </tr>
    <tr>
      <td><a href="/b/2">Refactoring</a></td>
      <td>Martin Fowler</td>
    </tr>
  </table>
')
# Get text from table
df <- html_table(html_element(html, 'table'))

# Get links embedded in first column
links <- html_attr(html_elements(html, 'table td a'), 'href')
df$url <- links
print(df)

Parametr fill funkcji html_table()

Tabele HTML czasami zawierają brakujące komórki lub nieregularnie zbudowane wiersze. Parametr fill=TRUE w funkcji html_table() uzupełnia brakujące wartości jako NA, zamiast zgłaszać błąd.

library(rvest)
html <- read_html('
  <table>
    <tr><th>Name</th><th>Score</th><th>Grade</th></tr>
    <tr><td>Alice</td><td>95</td><td>A</td></tr>
    <tr><td>Bob</td><td>80</td></tr>
  </table>
')
# Without fill=TRUE this may error on uneven rows
df <- html_table(html_element(html, 'table'), fill = TRUE)
print(df)
# Name  Score Grade
# Alice    95     A
# Bob      80  <NA>

# fill=TRUE is safe even when rows are uniform
is.na(df[2, 'Grade'])  # TRUE

Pobieranie źródeł obrazów

Obrazy używają atrybutów src (a czasami data-src do leniwego ładowania). To samo podejście z użyciem html_attr() pozwala pobierać adresy URL obrazów w celu ich pobrania lub skatalogowania.

library(rvest)
html <- read_html('
  <div class="gallery">
    <img src="/img/photo1.jpg" alt="Sunset">
    <img src="/img/photo2.jpg" alt="Mountains">
    <img data-src="/img/lazy.jpg" class="lazy" alt="Lake">
  </div>
')
# Regular images
images <- html_elements(html, 'img')
srcs  <- html_attr(images, 'src')
alts  <- html_attr(images, 'alt')

data.frame(alt = alts, src = srcs)
# For lazy-loaded images check data-src
lazy_src <- html_attr(html_element(html, '.lazy'), 'data-src')
lazy_src  # '/img/lazy.jpg'

Zapisywanie pobranych danych

Po pobraniu tabel i odnośników do ramki danych zapisz wyniki za pomocą write.csv() lub readr::write_csv(). Zawsze dołączaj znacznik czasu lub źródłowy adres URL, aby zachować informacje o pochodzeniu danych.

library(rvest)
html <- read_html('
  <table>
    <tr><th>Product</th><th>Price</th></tr>
    <tr><td>Widget</td><td>9.99</td></tr>
    <tr><td>Gadget</td><td>14.50</td></tr>
  </table>
')
df <- html_table(html_element(html, 'table'))

# Add metadata
df$scraped_at <- Sys.time()
df$source_url <- 'https://example.com/products'

# Save to CSV
# write.csv(df, 'products.csv', row.names = FALSE)
print(df)
cat('Data ready for analysis or storage')

Szybki test

Sprawdź, czy rozumiesz pobieranie tabel HTML i odnośników za pomocą rvest.

Podsumowanie: tabele i odnośniki

Najważniejsze informacje: html_table() automatycznie konwertuje tabele HTML na ramki danych; użyj fill=TRUE w przypadku nieregularnych tabel. Aby pobierać odnośniki, pobierz wszystkie kotwice za pomocą html_elements('a'), tekst za pomocą html_text2(), a adresy URL za pomocą html_attr('href'). Przekształcaj względne adresy URL w bezwzględne za pomocą xml2::url_absolute(). Filtruj niechciane odnośniki według wzorca. Łącz tekst tabel z adresami URL osadzonych odnośników, aby uzyskać bogatsze zbiory danych.

library(rvest)
# Table scraping pattern:
# tables <- html_table(html_elements(page, 'table'))
# df <- tables[[1]]

# Link scraping pattern:
# links <- html_elements(page, 'a[href]')
# data.frame(
#   text = html_text2(links),
#   url  = xml2::url_absolute(
#            html_attr(links, 'href'),
#            base = base_url
#          )
# )

# Combine: scrape table text AND embedded link URLs
cat('Tables + links = most of what the web offers')
Bezpłatny start

Ucz się R dzięki korepetycjom AI — za darmo

Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.

Kursy
43
Lekcje
159

Często zadawane pytania

Czy lekcja „Scraping tabel i linków” jest bezpłatna?

Tak — pełny tekst „Scraping tabel i linków” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu R Academy, przejdź na CoddyKit PRO. Kurs R Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „Scraping tabel i linków”?

Parsuj tabele HTML do ramek danych i zbieraj wszystkie hiperłącza na stronie. Ćwiczysz R Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć R Academy?

Nie wymagamy żadnego doświadczenia. R Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.

Ile czasu zajmuje lekcja „Scraping tabel i linków”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji R Academy?

Tak. Każda lekcja R Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Struktura HTML i selektory CSS
  2. Podstawy html_element() i html_text()
  3. Scraping tabel i linków
  4. Obsługa paginacji i wielu stron
← Powrót do R Academy