网页抓取（R 语言？）

Question

我想获取 this 中间列中的公司名称 页面（以蓝色粗体书写），以及登记投诉者的位置指示符（例如“印度，德里”，以绿色书写）。基本上，我想要一个包含两列的表格（或数据框），一列用于公司，另一列用于位置。有什么想法吗？

Answer 1

您可以使用 R 中的 XML 包轻松完成此操作。这是代码

url = "http://www.consumercomplaints.in/bysubcategory/mobile-service-providers/page/1.html"
doc = htmlTreeParse(url, useInternalNodes = T)

profiles = xpathSApply(doc, "//a[contains(@href, 'profile')]", xmlValue)
profiles = profiles[!(1:length(profiles) %% 2)]

states   = xpathSApply(doc, "//a[contains(@href, 'bystate')]", xmlValue)

Answer 2

这是为了匹配蓝色粗体的标题，技巧是打开页面的源代码并查看您要查找的内容之前和之后的内容，然后使用正则表达式。

preg_match('/>[a-zA-Z0-9]+<\/a><\/h4><\/td>/', $str, $matches);
for($i = 0;$i<sizeof($matches);$i++)
 echo $matches[$i];

您可以检查此。