Web scraping avec R et PhantomJS

Charger les packages nécessaires

Première étape : chargez dans l'espace de travail tous les packages utiles à cette analyse (si vous ne les avez pas encore installés localement, utilisez install.packages() pour les rendre disponibles) :

library(rvest)
library(stringr)
library(plyr)
library(dplyr)
library(ggvis)
library(knitr)
options(digits = 4)

Extraire des données générées en JavaScript avec R

L'étape suivante consiste à collecter les données TechStars avec PhantomJS. Voici un fichier .js basique :

// scrape_techstars.js

var webPage = require('webpage');
var page = webPage.create();

var fs = require('fs');
var path = 'techstars.html'

page.open('http://www.techstars.com/companies/stats/', function (status) {
  var content = page.content;
  fs.write(path,content,'w')
  phantom.exit();
});

Ce script rend la page HTML après l'exécution du code JavaScript sous-jacent, ce qui vous permet de récupérer la page avec tous ses tableaux. Pour rester dans R pour le reste de l'analyse, nous vous suggérons d'utiliser la fonction system() pour invoquer PhantomJS (vous devrez télécharger et installer PhantomJS et le placer dans votre répertoire de travail) :

# Laisser phantomJS aspirer techstars, la sortie est écrite dans techstars.html
system("./phantomjs scrape_techstars.js")

Après ce court détour, vous disposez enfin en local d'un fichier HTML, techstars.html, que vous pouvez aspirer avec rvest. L'inspection de la page Techstars révèle que les tableaux qui nous intéressent se trouvent dans des divs portant la classe CSS batch :

batches <- html("techstars.html") %>%
  html_nodes(".batch")

class(batches)

[1] "XMLNodeSet"

Vous avez maintenant une liste d'objets XMLNodeSet : chaque objet contient les données d'une promotion TechStars. On y trouve des informations sur le lieu, l'année et la saison, ainsi que sur les entreprises, leur siège actuel, leur statut et le montant total des financements levés. Nous ne détaillons pas ci-dessous toutes les étapes de collecte et de nettoyage ; exécutez le code et observez le résultat. Vous verrez quelques nettoyages sur mesure pour garantir un formatage homogène de chaque information :

batch_titles <- batches %>%
  html_nodes(".batch_class") %>%
  html_text()

batch_season <- str_extract(batch_titles, "(Fall|Spring|Winter|Summer)")
batch_year <- str_extract(batch_titles, "([[:digit:]]{4})")
# location info is everything in the batch title that is not year info or season info
batch_location <- sub("\\s+$", "",
                      sub("([[:digit:]]{4})", "",
                          sub("(Fall|Spring|Winter|Summer)","",batch_titles)))

# create data frame with batch info.
batch_info <- data.frame(location = batch_location,
                         year = batch_year,
                         season = batch_season)

breakdown <- lapply(batches, function(x) {
  company_info <- x %>% html_nodes(".parent")
  companies_single_batch <- lapply(company_info, function(y){
    as.list(gsub("\\[\\+\\]\\[\\-\\]\\s", "", y %>%
       html_nodes("td") %>%
       html_text()))
  })
  df <- data.frame(matrix(unlist(companies_single_batch),
                   nrow=length(companies_single_batch),
                   byrow=T,
                   dimnames = list(NULL, c("company","funding","status","hq"))))
  return(df)
})

# Add batch info to breakdown
batch_info_extended <- batch_info[rep(seq_len(nrow(batch_info)),
                                  sapply(breakdown, nrow)),]
breakdown_merged <- rbind.fill(breakdown)

# Merge all information
techstars <- tbl_df(cbind(breakdown_merged, batch_info_extended)) %>%
  mutate(funding = as.numeric(gsub(",","",gsub("\\$","",funding))))

Avec une combinaison de fonctions R de base, rvest, plyr et dplyr, nous disposons maintenant du data frame techstars : un jeu de données sur toutes les entreprises TechStars, avec les informations publiques proprement formatées :

techstars

## Source: local data frame [535 x 7]
##
##          company funding   status                hq location year season
## 1    Accountable  110000   Active    Fort Worth, TX   Austin 2013   Fall
## 2          Atlas 1180000   Active        Austin, TX   Austin 2013   Fall
## 3        Embrace  110000   Failed        Austin, TX   Austin 2013   Fall
## 4  Filament Labs 1490000   Active        Austin, TX   Austin 2013   Fall
## 5        Fosbury  300000   Active        Austin, TX   Austin 2013   Fall
## 6          Gone!  840000   Active San Francisco, CA   Austin 2013   Fall
## 7     MarketVibe  110000 Acquired        Austin, TX   Austin 2013   Fall
## 8           Plum 1630000   Active        Austin, TX   Austin 2013   Fall
## 9  ProtoExchange  110000   Active        Austin, TX   Austin 2013   Fall
## 10       Testlio 1020000   Active        Austin, TX   Austin 2013   Fall
## ..           ...     ...      ...               ...      ...  ...    ...

names(techstars)

## [1] "company"  "funding"  "status"   "hq"       "location" "year"
## [7] "season"

Conclusion

Avec cette combinaison d'outils et de code, nous avons réussi à extraire des données depuis un site qui utilise JavaScript pour les générer. Comme vous pouvez le voir, le processus est très structuré et devient simple une fois le code initial en place. Vous souhaitez apprendre R et cherchez des tutos et cours en data science et R ? Découvrez DataCamp