-
Notifications
You must be signed in to change notification settings - Fork 0
/
scraping-subito.R
147 lines (119 loc) · 3.83 KB
/
scraping-subito.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
library("rvest")
library("stringr")
#inizializzazione####
#url prima pagina
url <- 'https://www.subito.it/annunci-piemonte/vendita/appartamenti/torino/?q=casa'
#url seconda pagina tranne l'ultimo numero
url2pg <- "https://www.subito.it/annunci-piemonte/vendita/appartamenti/torino/?q=casa&o="
#numero pagine da cercare
n_pag_da_cercare <- 10
#Qui faccio lo scraping dei prezzi di tutte le pagine ####
prices = list()
#i prezzi della prima pagina li devo fare manualmetne
prices[[1]] <-
url %>%
read_html() %>%
html_nodes(".AdElements__ItemPrice--price-L2hvbWUv") %>%
html_text()
# for (i in 2:n_pag_da_cercare) {
#
# prices[[i]] <- lapply(paste0(url2pg, i, sep = ""),
# function(url){
# url %>%
# read_html() %>%
# html_nodes(".AdElements__ItemPrice--price-L2hvbWUv") %>%
# html_text()
# })
# }
for (i in 2:n_pag_da_cercare) {
url1 = paste(url2pg,i, sep="")
prices[[i]] <- url1 %>%
read_html() %>%
html_nodes(".AdElements__ItemPrice--price-L2hvbWUv") %>%
html_text()
}
#sostituire m2superficie con uno spazio o con nulla
f <- function(x){str_replace_all(x, "€", "")}
prices2a <-lapply(prices, f)
# creazione del vettore prezzo
vec_prezzo <- as.integer(unlist(prices2a, use.names = FALSE))
#mq####
mq = list()
mq[[1]] <-
url %>%
read_html() %>%
html_nodes(".AdElements__ItemAdditionalInfo--info-L2hvbWUv") %>%
html_text()
for (i in 2:n_pag_da_cercare) {
url1 = paste(url2pg,i, sep="")
mq[[i]] <- url1 %>%
read_html() %>%
html_nodes(".AdElements__ItemAdditionalInfo--info-L2hvbWUv") %>%
html_text()
}
#per mettere gli NA al posto giusto in mq e locali
f0 <- function(x){str_replace_all(x, "-", "999")}
mq <-lapply(mq, f0)
# mqprova[[1]][c(TRUE,FALSE)] #devo rimuovere tutti i pari o i dispari perchè il 999 potrebbe essere finito sia nei locali che nei mq
# for (i in 1:n_pag_da_cercare) {
# mqprova[[i]] <- mqprova[[i]][c(TRUE,FALSE)]
# }
mq1 <- mq
for (i in 1:n_pag_da_cercare) {
mq1[[i]] <- mq1[[i]][c(TRUE,FALSE)]
}
f2 <- function(x){str_replace_all(x, "mq", "")}
mq2a <-lapply(mq1, f)
vec_mq <- as.integer(unlist(mq2a, use.names = FALSE))
vec_mqb <- na.omit(vec_mq)
#locali####
mq22 <- mq
#mq22[[1]][c(FALSE,TRUE)]
for (i in 1:n_pag_da_cercare) {
mq22[[i]] <- mq22[[i]][c(FALSE,TRUE)]
}
f3 <- function(x){str_replace_all(x, "locali", "")}
f5 <- function(x){str_replace_all(x, "locale", "")}
locali2a <-lapply(mq22, f3)
locali2b <-lapply(locali2a, f5)
vec_loc <- as.integer(unlist(locali2b, use.names = FALSE))
vec_loc2 <- na.omit(vec_loc)#non dovrebbe servire, anzi, se ci sono NA è un problema
#inserimento degli NA nel prezzo####
#creaiamo l'inserzione completa
blocco = list()
blocco[[1]] <-
url %>%
read_html() %>%
html_nodes(".upper-data-group") %>%
html_text()
for (i in 2:n_pag_da_cercare) {
url1 = paste(url2pg,i, sep="")
blocco[[i]] <- url1 %>%
read_html() %>%
html_nodes(".upper-data-group") %>%
html_text()
}
vec_blocco <- unlist(blocco, use.names = FALSE)
#cerchiamo quali record mancano
sum(grepl(pattern = "€", vec_blocco))
nana <- grep(pattern = "€", vec_blocco)
to_append <- setdiff(c(1:(30*n_pag_da_cercare)), nana)
vec_pre <- vec_prezzo
k <- 0
for (i in to_append) {
vec_pre <- append(vec_pre, NA, i-1+k)
k <- k+1
}
length(vec_pre)
# c <- c(1,2,3)
# c <- append(c,4,2)
#df####
length(vec_prezzo)
length(vec_mqb)
length(vec_loc2)
annuncio <- rep(1:30,n_pag_da_cercare)
pagina <- rep(1:n_pag_da_cercare,rep(30,n_pag_da_cercare))
df <- data.frame(vec_pre*1000,vec_mqb,vec_loc2,annuncio,pagina)
colnames(df) = c("prezzo","mq", "locali","annuncio","pagina")
#attenzione: sostituisce il file già esistente
write.csv(df, "/Users/tommasobassignana/Desktop/df_subito.csv")