1

Estoy haciendo un trabajo en R y tengo que encontrar todos los enlaces en una página web, junto con su texto, y tengo que generar una tabla con cada enlace encontrado, indicando el texto que acompaña el enlace, y el número de veces que aparece un enlace con ese mismo objetivo. Hasta ahora tengo todos los enlaces y su texto, pero al intentar contar el número de veces que aparece cada enlace, con la funcion table() o con la función count() de dplyr, hay enlaces que me desaparecen. El código que llevo hecho hasta ahora es el siguiente:

url <- "https://www.mediawiki.org/wiki/MediaWiki"
html <- GET(url) 

content <- content(html, as = "text")
content

parsedHtml <- htmlParse(content, asText = TRUE)
parsedHtml

#2. Analizar el contenido de la web, buscando el título de la página

title <- xpathSApply(parsedHtml, "//title", xmlValue)
title

#3. Analizar el contenido de la web, buscando todos los enlaces, buscando el texto del enlace, así como la URL.

links_text <- xpathSApply(parsedHtml, "//a", xmlValue)
links_text

links_url   <- xpathSApply(parsedHtml, "//a", xmlGetAttr, 'href')  
links_url

valores_nulos_url <- sapply(links_url, is.null)
links_url[valores_nulos_url] <- NA
links_url <- unlist(links_url)
links_url

#4. Generar una tabla con cada enlace encontrado, indicando el texto que acompaña el enlace, y el número de veces que aparece un enlace con ese mismo objetivo.

df <- data.frame(Enlace = links_url, Texto = links_text)

t1 <- table(df$Enlace)
t1

numero_enlaces <- dplyr::count(df, df$Enlace)
numero_enlaces

¿Como podría contar el número de veces que aparece cada enlace?

Muchas gracias.

1 respuesta 1

1

El tema no es que desaparecen enlaces, ocurre que tanto table, como count son funciones de agrupación y hay en enlaces que se repiten, por lo que sin duda la agrupación arrojará menos filas que las originales.

De cualquier forma, entiendo que lo que buscas es algo así:

library(tidyverse)
df %>% 
  left_join(count(df, Enlace), by="Enlace")

Es decir, que cada fila tenga el número de veces que se repite el enlace de la misma, esto se logra contando y uniendo este resultado mediante un left_join()

2
  • Genial! es eso lo que buscaba, muchas gracias. El resultado de aplicar esa sentencia es ya un data frame con las tres columnas no? Muchas gracias de nuevo.
    – Carlos
    Commented el 3 dic. 2020 a las 13:03
  • @Carlos, si, efectivamente un data.frame o más bien un tibble que casi lo mismo pero mejor Commented el 3 dic. 2020 a las 14:00

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.