Я пытаюсь очистить данные из сети, используя асинхронный подход, как упомянуто in this post. Вот URL, с которых я хочу очистить данные. Я хранил URL-адреса в list.Rdata файл. Ссылки можно скачать здесь: https://www.dropbox.com/s/wl2per5npuq5h8y/list.Rdata?dl=1.Параллелизация для очистки веб-контента с помощью R
Для начала я загрузить первые 1000 URLs:
library(RCurl)
library(rvest)
library(XML)
library(httr)
library(reshape2)
library(reshape)
load("list.Rdata")
list <- list[1:1000]
un <- unlist(list)
Затем я использую код, чтобы скоблить содержание от того, что URLs:
get.asynch <- function(urls){
txt <- getURIAsynchronous(urls)
doc <- htmlParse(txt,asText=TRUE,encoding = "UTF-8")
base <- xpathSApply(doc, "//table//tr//td",xmlValue)
# Pavadinimas
uab <- ifelse(length(xpathSApply(doc, "//head//title",xmlValue))==1,gsub(". Rekvizitai.lt","", xpathSApply(doc, "//head//title",xmlValue)), "-")
# Imones kodas
ik <- ifelse(is.na(agrep("Imones kodas",base))==TRUE, "-", base[agrep("Imones kodas",base)+1])
# PVM kodas
pk <- ifelse(is.na(match("PVM kodas",base))==TRUE, "-", base[match("PVM kodas",base)+1])
# Vadovas
vad <- ifelse(is.na(match("Vadovas",base))==TRUE, "-", base[match("Vadovas",base)+1])
# Adresas
ad <- ifelse(is.na(match("Adresas",base))==TRUE, "-", base[match("Adresas",base)+1])
# Telefonas
tel <- ifelse(is.na(match("Telefonas",base))==TRUE, "-", paste("http://rekvizitai.vz.lt", xpathSApply(doc, "//table//tr//td//@src")[1], sep =""))
# Mobilusis
mob <- ifelse(is.na(match("Mobilusis",base))==TRUE, "-", paste("http://rekvizitai.vz.lt", xpathSApply(doc, "//table//tr//td//@src")[2], sep =""))
# Tinklalapis
url <- ifelse(is.na(match("Tinklalapis",base))==TRUE, "-", gsub("\t","",base[match("Tinklalapis",base)+1]))
# Skype
sk <- ifelse(is.na(match("Skype",base))==TRUE, "-", base[match("Skype",base)+1])
# Bankas
bnk <- ifelse(is.na(match("Bankas",base))==TRUE, "-", base[match("Bankas",base)+1])
# Atsiskaitomoji saskaita
ats <- ifelse(is.na(match("Atsiskaitomoji saskaita",base))==TRUE, "-", base[match("Atsiskaitomoji saskaita",base)+1])
# Darbo laikas
dl <- ifelse(is.na(match("Darbo laikas",base))==TRUE, "-", base[match("Darbo laikas",base)+1])
# Darbuotojai
drb <- ifelse(is.na(match("Darbuotojai",base))==TRUE, "-", gsub("\\D","",base[match("Darbuotojai",base)+1]))
# SD draudejo kodas
sd <- ifelse(is.na(match("SD draudejo kodas",base))==TRUE, "-", base[match("SD draudejo kodas",base)+1])
# Apyvarta (be PVM)
apv <- ifelse(is.na(match("Apyvarta (be PVM)",base))==TRUE, "-", base[match("Apyvarta (be PVM)",base)+1])
# Transportas
trn <- ifelse(is.na(match("Transportas",base))==TRUE, "-", base[match("Transportas",base)+1])
# Ivertinimas
iv <- ifelse(length(xpathSApply(doc, "//span[@class='average']", xmlValue)) !=0, xpathSApply(doc, "//span[@class='average']", xmlValue),"-")
# Vertintoju skaicius
vert <- ifelse(length(xpathSApply(doc, "//span[@class='votes']", xmlValue)) !=0, xpathSApply(doc, "//span[@class='votes']", xmlValue),"-")
# Veiklos sritys
veikl <-xpathSApply(doc,"//div[@class='floatLeft about']//a | //div[@class='floatLeft about half']//a | //div[@class='about floatLeft']//a",
xmlValue)[1]
# Lentele
df <- cbind(uab, ik, pk, vad, ad, tel, mob, url, sk, bnk, ats, dl, drb, sd, apv, trn, iv, vert, veikl)
}
Далее, я использую свою функцию для разбора содержимого и получить ошибку. Я уверен, что эта ошибка является результатом тяжелого запроса на сервер.
> system.time(table <- do.call(rbind,lapply(un,get.asynch)))
Error in which(value == defs) :
argument "code" is missing, with no default Timing stopped at: 0.89 0.03 6.82
Я ищу решения, чтобы избежать такого поведения. Я попробовал функцию Sys.sleep(), хотя результат тот же. Любая помощь в том, как преодолеть проблему подключения к серверу, будет приветствоваться.
Параллельные веб-запросы являются грубыми, потому что вы забиваете кому-то сервер. – hadley
Спасибо за ответ. Я заметил, что именно поэтому я ищу альтернативное решение, чтобы избежать такого поведения. Подход, когда каждый url анализируется последовательно один за другим с определенным временным интервалом, хотя он не эффективен и не требует много времени. Любая идея о том, как улучшить алгоритм с использованием подхода с распараллеливанием, получила бы высокую оценку. –