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.

Introduction to XPATH

Find the correct CSS equivalent

Select by class and ID with XPATH

Use predicates to select nodes based on their children

XPATH functions and advanced predicates

Find a more elegant XPATH alternative

Get to know the position() function

Extract nodes based on the number of their children

The XPATH text() function

The shortcomings of html_table() with badly structured tables

Select directly from a parent element with XPATH's text()

Combine extracted data into a data frame

Scrape an element based on its text

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.

HTTP isteklerinin doğası

HTTP ile ilgili bu ifadelerden hangisi yanlıştır?

Bunu httr yoluyla yap

Houston, 404 aldık!

Özel user agent’lerle kendini tanıtmak

Kullanıcı aracını (user agent) incele

Özel bir user agent ekle

Kibar ol ve isteklerini yavaşlat

Hız sınırı uygulanmış fonksiyonlar için özel argümanlar

Çok sayfalı bir tarayıcıya hız sınırlaması (throttling) uygula

Özet: R ile Web Kazıma

Scraping Best Practices

İstatistikler, ürün yorumları veya fiyatlar gibi pek çok veriyi, veri analizi için hazır olmayan bir formatta sunan bir web sitesiyle hiç karşılaştın mı? Çoğu zaman, resmi kurumlar ve diğer veri sağlayıcılar verilerini düzenli tablolar halinde yayınlar. Ancak bu sitelerin hepsinde indirme düğmesi bulunmaz; yine de üzülme. Bu kursta, R kullanarak herhangi bir siteden veriyi verimli şekilde toplayıp indireceksin. rvest ve httr paketleriyle Wikipedia’yı kazıma ve ayrıştırma işlemlerini nasıl otomatikleştireceğini öğreneceksin. Uygulamalı egzersizlerle, web sayfalarının yapı taşları olan HTML ve CSS hakkındaki anlayışını derinleştirirken, veri toplama iş akışlarını daha az hataya açık ve daha verimli hale getireceksin.

Intermediate R

Introduction to the Tidyverse

R ile rvest ve httr paketlerini kullanarak veri toplayın ve Wikipedia'dan veri çekmeyi otomatikleştirin.

R ile Web Kazıma

R kullanarak herhangi bir web sitesinden verileri verimli bir şekilde toplama ve indirmeyi öğrenin.

Özel user agent’lerle kendini tanıtmak

Create Your Free Account