creare un corpus da molti file html in R

Question

Vorrei creare un corpus per la raccolta di file HTML scaricati, quindi leggerli in R per il futuro text mining.

In sostanza, questo è quello che voglio fare:

• Creare un corpus da più file html.

Ho cercato di usare DirSource:

library(tm) 
a<- DirSource("C:/test") 
b<-Corpus(DirSource(a), readerControl=list(language="eng", reader=readPlain)) 

ma restituisce "parametri di directory non valido"

• legge nel file HTML dal Corpus tutto in una volta. Non sai come farlo.

• Analizzali, convertili in testo normale, rimuovi i tag. Molte persone hanno suggerito di utilizzare XML, tuttavia, non ho trovato un modo per elaborare più file. Sono tutti per un singolo file.

Grazie mille.

Answer 1

Questo corregge l'errore.

b<-Corpus(a, ## I change DireSource(a) by a 
      readerControl=list(language="eng", reader=readPlain)) 

Ma penso che per leggere il tuo Html devi usare il lettore xml. Qualcosa di simile:

r <- Corpus(DirSource('c:\test'), 
      readerControl = list(reader = readXML),spec) 

Ma è necessario fornire l'argomento spec, che dipende dalla struttura del file. vedere ad esempio readReut21578XML. È un buon esempio di parser xml/html.

Answer 2

per leggere tutti i file HTML in un oggetto R è possibile utilizzare

# Set variables 
folder <- 'C:/test' 
extension <- '.htm' 

# Get the names of *.html files in the folder 
files <- list.files(path=folder, pattern=extension) 

# Read all the files into a list 
htmls <- lapply(X=files, 
       FUN=function(file){ 
       .con <- file(description=paste(folder, file, sep='/')) 
       .html <- readLines(.con) 
       close(.con) 
       names(.html) <- file 
       .html 
}) 

che vi darà una lista, e ogni elemento è il contenuto HTML di ogni file.

Pubblicherò dopo averlo analizzato, sono di fretta.

Answer 3

Questo dovrebbe farlo. Qui ho una cartella sul mio computer di file HTML (un campione casuale di SO) e ne ho ricavato un corpus, quindi una matrice di termini del documento e poi ho svolto alcune attività di mining di testo banali.

# get data 
setwd("C:/Downloads/html") # this folder has your HTML files 
html <- list.files(pattern="\\.(htm|html)$") # get just .htm and .html files 

# load packages 
library(tm) 
library(RCurl) 
library(XML) 
# get some code from github to convert HTML to text 
writeChar(con="htmlToText.R", (getURL(ssl.verifypeer = FALSE, "https://raw.github.com/tonybreyal/Blog-Reference-Functions/master/R/htmlToText/htmlToText.R"))) 
source("htmlToText.R") 
# convert HTML to text 
html2txt <- lapply(html, htmlToText) 
# clean out non-ASCII characters 
html2txtclean <- sapply(html2txt, function(x) iconv(x, "latin1", "ASCII", sub="")) 

# make corpus for text mining 
corpus <- Corpus(VectorSource(html2txtclean)) 

# process text... 
skipWords <- function(x) removeWords(x, stopwords("english")) 
funcs <- list(tolower, removePunctuation, removeNumbers, stripWhitespace, skipWords) 
a <- tm_map(a, PlainTextDocument) 
a <- tm_map(corpus, FUN = tm_reduce, tmFuns = funcs) 
a.dtm1 <- TermDocumentMatrix(a, control = list(wordLengths = c(3,10))) 
newstopwords <- findFreqTerms(a.dtm1, lowfreq=10) # get most frequent words 
# remove most frequent words for this corpus 
a.dtm2 <- a.dtm1[!(a.dtm1$dimnames$Terms) %in% newstopwords,] 
inspect(a.dtm2) 

# carry on with typical things that can now be done, ie. cluster analysis 
a.dtm3 <- removeSparseTerms(a.dtm2, sparse=0.7) 
a.dtm.df <- as.data.frame(inspect(a.dtm3)) 
a.dtm.df.scale <- scale(a.dtm.df) 
d <- dist(a.dtm.df.scale, method = "euclidean") 
fit <- hclust(d, method="ward") 
plot(fit) 

# just for fun... 
library(wordcloud) 
library(RColorBrewer) 

m = as.matrix(t(a.dtm1)) 
# get word counts in decreasing order 
word_freqs = sort(colSums(m), decreasing=TRUE) 
# create a data frame with words and their frequencies 
dm = data.frame(word=names(word_freqs), freq=word_freqs) 
# plot wordcloud 
wordcloud(dm$word, dm$freq, random.order=FALSE, colors=brewer.pal(8, "Dark2")) 

Answer 4

Ho trovato il pacchetto boilerpipeR particolarmente utile per estrarre soltanto il testo "core" di una pagina html.