有时候我们要处理的是非结构化的数据,例如网页或是电邮资料,那么就需要用R来抓取所需的字符串,整理为进一步处理的数据形式。R语言中有一整套可以用来处理字符的函数,在之前的 博文 中已经有所涉及。但真正的要用好字符处理函数,则不得不用到正则表达式。 正则表达式(Regular Expression、regexp) 是指一种用来描述一定数量文本的模式。熟练掌握正则表达式能使你随心所欲的操作文本来达成目标。其实学习正则表达式并没有想像中的那么困难。最好方法是从例子开始,然后多练习,多使用。网络上已经有许多不错的参考资料,例如 这篇 或 那篇 。本文假设你对正则表达式有了基本的了解,下面我们来看看如何在R里面来使用它。 假设我们有一个字符向量,包括了三个字符串。我们的目标是从中抽取电邮地址。R语言中很多字符函数都能识别正则表达式,而最重要的函数就是gregexpr()。该函数的第一个参数是正则表达式,前后需要用引号,对元字符进行转义时要用\\。第二个参数是等待处理的文本。那么用如下三行代码,我们从word字符向量中得到一个列表,其中第一项元素中的5表示电邮地址从第5个字符位置开始,24表示电邮地址长度为24。 word <- c('abc noboby@stat.berkeley.edu','text with no email','first me@mything.com also you@yourspace.com') pattern <- '[-A-Za-z0-9_.%]+@[-A-Za-z0-9_.%]+\\.[A-Za-z]+' (gregout <- gregexpr(pattern,word))
[[1]]
[[2]]
[[3]]
下一步我们需要将电邮地址抽取出来,此时配合substr函数,即可根据需要字符串的位置来提取子集。 substr(word[1],gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1) [1] “noboby@stat.berkeley.edu” 更方便的使用方式是根据上述方法建立一个自定义函数getcontent,参数s表示待处理的文本,参数g表示的是通过gregexpr函数处理后的结果。这个函数我们在后面还会用到。 getcontent <- function(s,g){ substring(s,g,g+attr(g,'match.length')-1) } getcontent(word[1],gregout[[1]]) 下面我们用一个较大的例子来说明在实际的数据抓取工作中,如何使用正则表达式。豆瓣电影是博主经常去的地方。此次任务目标是要抓取豆瓣电影中250部最佳电影的资料。R代码如下: url<-'http://movie.douban.com/top250?format=text' # 获取网页原代码,以行的形式存放在web变量中 web <- readLines(url,encoding="UTF-8") # 找到包含电影名称的行编号 name <- web[grep('<td headers="m_name">',web)+1] # 用正则表达式来提取电影名 gregout <- gregexpr('>\\w+',name) movie.names = 0 for(i in1:250){ movie.names[i]<-getcontent(name[i],gregout[[i]]) } movie.names <- sub('>','',movie.names) # 找到包含电影发行年份的行编号并进行提取 year <- web[grep('<span class="year">',web)] movie.year <- substr(year,36,39) # 找到包含电影评分的行编号并进行提取 score <- web[grep('<td headers="m_rating_score">',web)+1] movie.score <- substr(score,21,23) # 找到包含电影评价数量的行编号并进行提取 rating <- web[grep('<td headers="m_rating_num">',web)+1] movie.rating <- sub(' *','',rating) # 合成为数据框 movie <- data.frame(names=movie.names,year=as.numeric(movie.year), score=as.numeric(movie.score),rate=as.numeric(movie.rating)) # 绘散点图 library(ggplot2) p <- ggplot(data=movie,aes(x=year,y=score)) p+geom_point(aes(size=rate),colour='lightskyblue4', position="jitter",alpha=0.8)+ geom_point(aes(x=1997,y=8.9),colour='red',size=4)
参考资料:Concepts in Computing with Data |
|