用R语言抓取豆瓣前250名的影片评分，并利用正则表达式进行数据处理

前段时间在研究Rcrul的爬虫技术时，要了解正则表达式的一些知识，在google发现一篇介绍利用正则表达式处理网上抓取下来处理数据的方法：

原文地址：http://r-ke.info/2012/05/28/regular-expression.html

但是原文代码不能直接编译，估计是俺看到的是国内豆瓣缘故导致。故将文章中的代码进行重新编译，现附上源代码，直接copy到R中能直接运行：

getcontent <- function(s,g){
substring(s,g,g+attr(g,'match.length')-1)
}
# getcontent(word[1],gregout[[1]])


# 获取网页原代码，以行的形式存放在web变量中(每页显示25条记录，共10页)
url<-'http://movie.douban.com/top250?format=text'
web <- readLines(url,encoding="UTF-8")
for(i in 1:9){
url1<-paste('http://movie.douban.com/top250?start=',25*i,'&filter=&type=',sep="")
web1 <- readLines(url1,encoding="UTF-8")
web<-c(web,web1)
}


# 找到包含电影名称的行编号
name <- web[grep(' <div class="hd">',web)+2]
# 用正则表达式来提取电影名
gregout <- gregexpr('>\\w+',name)
movie.names = 0
for(i in 1:length(gregout)){
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('<br>',web)+1]
# movie.year <- substr(year,28,32)
year <- web[grep('<p class="">',web)+2]
movie.year <- substr(year,32)


# 找到包含电影评分的行编号并进行提取
score <- web[grep('<div class="star">',web)+1]
movie.score<-NULL
for(i in 1:length(score)) {
score1<-gregexpr('<em>',score)
movie.score<-cbind(movie.score,substr(score[i],score1[[i]][1]+4,score1[[i]][1]+6))
}


# 找到包含电影评价数量的行编号并进行提取
rating <- web[grep('<div class="star">',web)+2]
movie.rating<-NULL
for(i in 1:length(rating)){
rating1<-gregexpr('&nbsp',rating)
rating2<-gregexpr('人',rating)
movie.rating<-cbind(movie.rating,substr(rating[i],rating1[[i]][1]+12,rating2[[i]][1]-1))
}


# 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))

head(movie)

names year score rate
1 肖申克的救赎 1994 9.6 559765
2 这个杀手不太冷 1994 9.4 529674
3 阿甘正传 1994 9.4 473569
4 霸王别姬 1993 9.4 377790
5 美丽人生 1997 9.4 258244
6 海上钢琴师 1998 9.2 41594

# 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)