Web de grattage avec R, le contenu

Question

Je commence avec grattage web en R, je mets ce code:

mps <- read_html("http://tunisie-annonce.com/AnnoncesImmobilier.asp") 

mps %>% 
    html_nodes("tr") %>% 
    html_text() 

Pour obtenir le contenu nécessaire que je mets dans un fichier texte. Mon problème est que je veux éliminer ces points rouges, mais je ne peux pas. Pourrais-tu m'aider s'il te plaît? Je pense que ces points remplacent <b> et <br> dans le code html.

Answer 1

Celui qui construit cette page assemblé très frustrante la table dans une table, mais non définie comme lui-même étiquette <table>, donc il est plus facile de le redéfinir de sorte qu'il analysera plus facilement:

library(rvest) 

mps <- read_html("http://tunisie-annonce.com/AnnoncesImmobilier.asp") 

df <- mps %>% 
    html_nodes("tr.Entete1, tr.Tableau1") %>% # get correct rows 
    paste(collapse = '\n') %>%  # paste nodes back to a single string 
    paste('<table>', ., '</table>') %>%  # add enclosing table node 
    read_html() %>% # reread as HTML 
    html_node('table') %>% 
    html_table(fill = TRUE) %>% # parse as table 
    { setNames(.[-1,], make.names(.[1,], unique = TRUE)) } # grab names from first row 

head(df) 
#>   X   Région NA.   Nature NA..1  Type NA..2 
#> 2  Prix   <NA> NA    <NA> NA  <NA> NA 
#> 3 Modifiée     NA    <NA> NA  <NA> NA 
#> 4     Kelibia NA   Terrain NA Terrain nu NA 
#> 5   Cite El Ghazala NA   Location NA App. 4 pièc NA 
#> 6     Le Bardo NA   Location NA App. 1 pièc NA 
#> 7     Le Bardo NA Location vacance NA App. 3 pièc NA 
#>     Texte.annonce NA..3 Prix Prix.1  X.1 Modifiée 
#> 2       <NA> NA <NA> <NA>  <NA>  <NA> 
#> 3       <NA> NA <NA> <NA>  <NA>  <NA> 
#> 4  Terrain a 5 km de kelibi NA 80 000  07/05/2017   
#> 5  S plus 3 haut standing c NA 790  07/05/2017   
#> 6   Appartements meubles NA 40 000  07/05/2017   
#> 7 Un bel appartement au bardo m NA 420  07/05/2017   
#> Modifiée.1 NA..4 NA..5 
#> 2  <NA> NA NA 
#> 3  <NA> NA NA 
#> 4  <NA> NA NA 
#> 5  <NA> NA NA 
#> 6  <NA> NA NA 
#> 7  <NA> NA NA 

Notez qu'il y a beaucoup de NA s et d'autres cruft ici encore à nettoyer, mais au moins c'est utilisable à ce stade.

Answer 2

Vous pouvez toujours utiliser des expressions régulières pour éliminer les caractères indésirables, par exemple,

mps <- gsub("•", " ", mps)