Estoy realizando Web Scraping para obtener dos variables precio
y area
. Sucede que precio
tiene un length()
mayor que area
dado que no todas las publicaciones tienen area. Con la información debo crear un data frame pero como el largo de los datos es distintos es imposible, sí se pudiera lograr ensamblar dos variables con distintos largos sería imposible unir cada precio
con cada area
. La pregunta es Cómo se puede scrapear los datos de manera que cuando no existe area
en ese elemento de la lista haya un string de algún tipo por ejemplo NA?.
Estoy utilizando el paquete rvest
En este link tienen el mismo problema pero no está resuelto. https://stackoverflow.com/questions/29996952/r-rvest-getting-2-elements-nodes-at-the-same-time
El código es
library(rvest)
library(robotstxt)
library(selectr)
library(xml2)
library(dplyr)
library(stringr)
library(forcats)
library(magrittr)
library(tidyr)
library(ggplot2)
library(lubridate)
library(tibble)
library(purrr)
url = "https://capital-federal.properati.com.ar/nf/propiedades/venta/"
paths_allowed(paths = c(url))
# Leer el HTML
leahtml <- read_html(url)
leahtml %>%
html_nodes(".price") %>%
html_text() -> price
leahtml %>%
html_nodes(".area") %>%
html_text() -> area
leahtml %>%
html_nodes(".location") %>%
html_text() -> location
precio = gsub("\n","",price)
precio = gsub("exp","",precio)
precio_a = gsub("\\$","",precio)
precio_b = gsub("US","",precio_a)
precio_limpio = gsub("\\.","",precio_b)
precio_limpio = str_trim(precio_limpio)
precio_su= substr(precio_limpio,1,5)
precio_su= as.numeric(precio_su)
area_a = gsub("\n","",area)
area_b = gsub("m²","",area_a)
area_limpia = as.numeric(area_b)
dataset <- data.frame(location, area_limpia, precio_su)