-
Notifications
You must be signed in to change notification settings - Fork 0
/
Aula2Webscraping.R
279 lines (183 loc) · 6.72 KB
/
Aula2Webscraping.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
###################################
#### Manoel Galdino 19/07.2014 ####
#### Aula 2 - Webscraping ####
###################################
# O que é webscraping? Ou raspagem (tradução em português), crawler, spider
# Da [Wikipedia](http://en.wikipedia.org/wiki/Web_scraping)
# Web scraping (web harvesting or web data extraction) is a computer software technique of
# extracting information from websites.
## "More Data Trumps Smarter Algorithms"
## Extraindo dados da web, podemos usar modelos mais simples (nem sempre, mas ok)
## Começando extraindo uma tabela simples
## Escolhi uma tabela meio ao acaso
## peguei uma tabela do censo do ibge 2010
## voces podem copiar e colar o endereço abaixo no navegador de vcs
## http://www.censo2010.ibge.gov.br/sinopse/index.php?dados=8
## ou simplesmente rodarem
url <- "http://www.censo2010.ibge.gov.br/sinopse/index.php?dados=8"
browseURL(url)
## temos uma mapa e uma tabela
## vamos extrair a tabela pro R
## Carregamos a biblioteca xml
library(XML)
## install.packages("XML")
# E usamos htmlParse() para ler o html e transformar num objeto do R,
# e readHTMLTable() para ler a tabela no html. The length() function indicates
#there is a single table in the document, simplifying our work.
url <- "http://www.censo2010.ibge.gov.br/sinopse/index.php?dados=8"
srts <- htmlParse(url)
class(srts)
srts.table <- readHTMLTable(srts, stringsAsFactors = FALSE)
srts.table
View(srts.table)
## that's it!!
# Brincadeira. Parcialmente
class(srts.table)
str(srts.table)
length(srts.table)
df1 <- as.data.frame(srts.table)
df <- as.data.frame(srts.table[[1]])
head(df)
head(df1)
all.equal(df, df1) ## checa e o conteúdo é igual
## nomes das variáveis ficam diferentes
names(df)
names(df1)
## vamos arrumar nosso banco?
## melhorando os nomes das variáveis
names(df)[1] <- "UF"
names(df)
colnames(df)
# podemos usar colnames tbm...
## o que é melhor, colnames ou names?
library(microbenchmark)
## names é melhor! 1,5x mais rápido.
## normalmente eu uso o pacote data.table
## e não preciso usar names ou colnames
## se der tempo falamos dele depois
# voltando ao webscraping
head(df)
## mudamos o nome da coluna errada
## mas o que tem na primeira coluna?
df[,1]
## nada, podemos dropar
df <- df[, -1]
## agora assim, mudando pra uf
names(df)[1] <- "uf"
head(df)
## vamos retirar o número após os anos, que originalmente era um subescrito?
## alguma ideia de como fazer isso?
# vou fazer uma função
retiraIndice <- function (df) {
substr(names(df), 5,5) <- ""
}
## pra não zuar meu banco original, vou faer uma cópia
df1 <- df
aux <- names(df[,-1])
aux
substr(aux, 5,5) <- ""
aux
aux2 <- paste(substr(aux, 1,4), substr(aux, 6,nchar(aux)), sep="")
names(df)[2:13] <- aux2
names(df)
## that's it!!
###
### Exemplo desenvolvido pelo Thiago Silva
### http://people.tamu.edu/~nsthiago/websitetables.r
## Pegando várias tabelas da wiki
wiki2012 <- 'http://en.wikipedia.org/wiki/United_States_presidential_election,_2012'
auxTable <- htmlParse(wiki2012)
tables2 <- readHTMLTable(auxTable, stringsAsFactors = FALSE)
tables2
class(tables2)
length(tables2)
# muitas tabelas
# como achar qual queremos?
## tentativa e erro
## método do Thiago
## que tal algo mais automático?? Vamos buscar por um termo
## grep procura um padrão num vetor/lista e retorna o índice do match
grep("abc", c("abcd", "abc", "bcde"))
grep("abc", c("abcd", "abc", "bcde"), value=T)
grep('Demographic subgroup', tables2)
table16 <- readHTMLTable(auxTable, which=16, stringsAsFactors = FALSE)
## ou diretamente, table16 <- tables2[[16]]
View(table16)
## funcionou
## Vamos fazer uma função
scrapingWiki <- function (url, padrao1, ...) {
stopifnot(is.character(padrao1)) ## padrao1 tem que ser string/character
auxTable <- htmlParse(url)
tabela <- readHTMLTable(auxTable, stringsAsFactors = FALSE)
aux <- grep(padrao1, tabela)
tabeltaFinal <- tabela[aux][[1]]
}
## checando se função funciona
## é boa prática remover os objetos ou testar em outra sessão do R tbm
tableTeste <- scrapingWiki(wiki2012, 'Demographic subgroup')
head(tableTeste)
head(table16)
## Mas nós queríamos duas tabelas, não?
#2) 2012 Presidential Votes by states
# só modificar nossa função pra ficar mais genérica
scrapingWiki1 <- function (url, padraoVec, ...) {
## a Função retorna as tabelas da url, que contém o texto especificado em padraoVec
auxTable <- htmlParse(url)
tabela <- readHTMLTable(auxTable, stringsAsFactors = FALSE)
## criando listas que vão receber os padroes e as tabelas
aux <- list()
listaTabelas <- list()
for ( i in 1:length(padraoVec)) {
aux[i] <- grep(padraoVec[i], tabela)
listaTabelas[i] <- tabela[aux[[i]]]
}
return(listaTabelas)
}
## Qual a outra palavra? hummm difícil
## vamso tentar Margin
tabelasTeste <- scrapingWiki1(wiki2012, c("Demographic subgroup", "Margin") )
## podemos transformar as duas tabeas em dataframe
## exercicios para vocês
## chamem de df1 e df2
## lembrem de corrigir os nomes das colunas
## e transformar os tipso das variáveis (numérticas)
##onde for porcentagem, checar se precisa diidir por 100
## na origem, daria pra corrigir o nome das colunas, usando o argumento header=T em readHTMLTable
library(XML)
scrapingWiki2 <- function (url, padraoVec, header=T, ...) {
## a Função retorna as tabelas da url, que contém o texto especificado em padraoVec
## alterando nossa função
auxTable <- htmlParse(url)
tabela <- readHTMLTable(auxTable, stringsAsFactors = FALSE, header=header)
## criando listas que vão receber os padroes e as tabelas
aux <- list()
listaTabelas <- list()
for ( i in 1:length(padraoVec)) {
aux[i] <- grep(padraoVec[i], tabela)
listaTabelas[i] <- tabela[aux[[i]]]
}
return(listaTabelas)
}
wiki2012 <- 'http://en.wikipedia.org/wiki/United_States_presidential_election,_2012'
tabelasTeste2 <- scrapingWiki2(wiki2012, c("Demographic subgroup", "Margin") )
length(tabelasTeste2)
View(tabelasTeste2[[1]])
View(tabelasTeste2[[2]])
## processando resultado
class(tabelasTeste2[[1]])
mydf1 <- tabelasTeste2[[1]]
names(tabelasTeste2[[1]]) <- mydf1[1,]
View(tabelasTeste2[[1]])
tabelasTeste2[[1]] <- tabelasTeste2[[1]][-1,]
View(tabelasTeste2[[1]])
tabelasTeste2[[1]][, 2:5] <- as.numeric(tabelasTeste2[[1]][, 2:5])
tabelasTeste2[[1]][,2] <- as.numeric(tabelasTeste2[[1]][,2])
tabelasTeste2[[1]][,3] <- as.numeric(tabelasTeste2[[1]][,3])
tabelasTeste2[[1]][,4] <- as.numeric(tabelasTeste2[[1]][,4])
tabelasTeste2[[1]][,5] <- as.numeric(tabelasTeste2[[1]][,5])
summary(tabelasTeste2[[1]])
## Dívidas
## 2. Entender porque numeric pra 2:5 não funcionou
## corrigiu parcialmente apenas. Ok.
http://www.tse.jus.br/eleicoes/estatisticas/repositorio-de-dados-eleitorais
http://www.r-bloggers.com/web-scraping-working-with-apis/