R爬虫实战1（学习）—基于RVEST包

library(rvest)
lagou<-"http://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?kd=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc

=&workAddress=&city=%E6%B7%B1%E5%9C%B3&requestId=&pn=3"
web<-html(lagou,encoding="UTF-8") #读取数据，规定编码
#之前我是用关键字搜索，阅读html代码，获得html_nodes里需要什么属性，不过许多浏览器有开发者工具，可以直接获得层级信息。如遨游
position<-web %>% html_nodes("li div.hot_pos_l a") %>% html_text()
#上面就是直接读取数据，获得位置信息
#不过在后面做其他网站时发现，有时候信息储存在同类数据里(如div没有class等等)，建议是找一个大的分类，先获得表格信息，再做数据
list_lagou<-web %>% html_nodes("li.clearfix")
#这里正确找准正确的划分点很重要。有<li class="odd clearfix">，其实用li.clearfix一样可以取(对于空格二选一，如"li.odd"或者"li.clearfix")
#接下来的company/position照选即可，因为事先已经分好了list，所以每一个出多少心里有数。。

#下面开始写代码,首先写一个函数getdata，会输出一个数据框
getdata<-function(page,urlwithoutpage){
  url=paste0(urlwithoutpage,page) #这里输入拉勾网没有页码的url
  web<-html(url,encoding="UTF-8") #读取数据，规定编码,access用
  list_lagou<-web %>% html_nodes("li.clearfix") #获得一个清单，15个职位
  title<-list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_text()
  company<-list_lagou %>% html_nodes("div.hot_pos_r div.mb10 a")%>%html_text()
  link<-gsub("\\?source\\=search","",list_lagou %>% html_nodes("div.hot_pos_l div.mb10 a")%>%html_attr("href"))
#接下来的由于数据都存在span里，没有很好的划分。这个取数要复杂一些。我在这里，研究他们的表，先取15个完整list，然后用seq等序列取数
#之后要研究是否有更好的方法
#如果有table，可以直接用data.table取数更快。。。
  temp<-list_lagou %>% html_nodes("div.hot_pos_l span")
  city<-temp[seq(1,90,by=6)] %>% html_text()
  salary<-gsub("月薪：","",temp[seq(2,90,by=6)]%>% html_text())
  year<-gsub("经验：","",temp[seq(3,90,by=6)]%>% html_text())
  degree<-gsub("最低学历：","",temp[seq(4,90,by=6)]%>%html_text())
  benefit<-gsub("职位诱惑：","",temp[seq(5,90,by=6)]%>% html_text())
  time<-temp[seq(6,90,by=6)]%>%html_text()
  data.frame(title,company,city,salary,year,degree,benefit,time,link)
}

> url<-"http://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?kd=%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90&spc=2&pl=&gj=&xl=&yx=&gx=&st=&labelWords=&lc=&workAddress=&city=%E6%B7%B1%E5%9C%B3&requestId=&pn="
> final<-data.frame()
> for (i in 3){
+     final<-rbind(final,getdata(i,url))
+ } #定义个数，把上面的getdata得到的Data.frame合并