In this chapter, you'll be introduced to Hyper Text Markup Language (HTML), a declarative language used to structure modern websites. Using the rvest library, you'll learn how to query simple HTML elements and scrape your first table.

Introduction to HTML

Read in HTML

Beware of syntax errors!

Navigating HTML

Select all children of a list

Parse hyperlinks into a data frame

Scrape your first table

The right order of table elements

Turn a table into a data frame with html_table()

Introduction to HTML and Web Scraping

Cascading Style Sheets (CSS) describe how HTML elements are displayed on a web page, including colors, fonts, and general layout. In this chapter, you'll learn why CSS selectors and combinators are a crucial ingredient for web scraping.

Introduction to CSS

Select multiple HTML types

Order CSS selectors by the number of results

CSS classes and IDs

Identify the correct selector types

Leverage the uniqueness of IDs

Select the last child with a pseudo-class

CSS combinators

Select direct descendants with the child combinator

How many elements get returned?

Simply the best!

Not every sibling is the same

Navigation and Selection with CSS

The CSS selectors you got to know in the last chapter are powerful but have their limitations. For example, if you want to select nodes based on the properties of their descendants. XPath to the rescue! Using this query language, you can navigate and scrape even the most hideous HTML.

Introduzione a XPATH

Opzioni

type.class

type > type

type type.class

Trova l'equivalente CSS corretto

Seleziona per classe e ID con XPATH

Usa i predicati per selezionare nodi in base ai loro figli

Funzioni XPATH e predicati avanzati

Trova un'alternativa XPATH più elegante

Scopri la funzione position()

Estrai nodi in base al numero dei loro figli

La funzione XPATH text()

I limiti di html_table() con tabelle strutturate male

Seleziona direttamente da un elemento padre con la funzione XPATH text()

Combina i dati estratti in un data frame

Fai scraping di un elemento in base al suo testo

Advanced Selection with XPATH

Now that you know how to extract content from web pages, it's time to look behind the curtains. In this final chapter, you’ll learn why HTTP requests are the foundation of every scraping action and how they can be customized to comply with best practices in web scraping.

The nature of HTTP requests

Which of these statements about HTTP is false?

Do it the httr way

Houston, we got a 404!

Telling who you are with custom user agents

Check out your user agent

Add a custom user agent

How to be gentle and slow down your requests

Custom arguments for throttled functions

Apply throttling to a multi-page crawler

Recap: Web Scraping in R

Scraping Best Practices

Ti è mai capitato di trovare un sito pieno di dati—statistiche, recensioni di prodotti o prezzi—ma in un formato poco adatto all’analisi? Spesso enti e altri fornitori pubblicano i dati in tabelle ben formattate. Tuttavia, non tutti questi siti includono un pulsante di download: niente panico. In questo corso imparerai a raccogliere e scaricare in modo efficiente dati da qualsiasi sito web usando R. Vedrai come automatizzare lo scraping e il parsing di Wikipedia con i pacchetti rvest e httr. Con esercizi pratici, approfondirai anche HTML e CSS, i mattoni delle pagine web, rendendo i tuoi flussi di raccolta dati meno soggetti a errori e più efficienti.

Intermediate R

Introduction to the Tidyverse

Impara a usare R per raccogliere dati da siti web e automatizzare lo scraping di Wikipedia con rvest e httr.

Web scraping in R

Scopri come raccogliere e scaricare dati da qualsiasi sito web in modo efficiente usando R.

Trova un'alternativa XPATH più elegante

Web scraping in R

Esercizio pratico interattivo