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.

Introductie tot XPATH

Opties

type.class

type > type

type type.class

Vind het juiste CSS-equivalent

Selecteer op class en ID met XPATH

Gebruik predicaten om knooppunten te selecteren op basis van hun kinderen

XPATH-functies en geavanceerde predicaten

Vind een elegantere XPATH-alternatief

Maak kennis met de functie position()

Nodes extraheren op basis van het aantal kinderen

De XPATH-functie text()

De tekortkomingen van html_table() bij slecht gestructureerde tabellen

Selecteer rechtstreeks vanuit een ouder-element met XPATH's text()

Geëxtraheerde data combineren in een data frame

Scrape een element op basis van zijn tekst

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

Ben je weleens een website tegengekomen met veel gegevens, zoals statistieken, productreviews of prijzen, maar dan in een formaat dat niet klaar is voor data-analyse? Vaak publiceren overheden en andere dataproducenten hun gegevens in netjes opgemaakte tabellen. Maar niet al deze sites hebben een downloadknop — geen paniek. In deze cursus leer je hoe je met R efficiënt gegevens van elke website verzamelt en downloadt. Je leert hoe je het scrapen en parsen van Wikipedia automatiseert met de pakketten rvest en httr. Met praktische oefeningen verdiep je ook je kennis van HTML en CSS, de bouwstenen van webpagina’s, terwijl je je dataverzamelingsworkflows minder foutgevoelig en efficiënter maakt.

Intermediate R

Introduction to the Tidyverse

Leer hoe je R gebruikt om data van websites te verzamelen en Wikipedia te scrapen met rvest en httr.

Webscraping in R

Leer hoe je met R makkelijk gegevens van elke website kunt verzamelen en downloaden.

Vind een elegantere XPATH-alternatief

Webscraping in R

Praktische interactieve oefening