1. Reglas básicas de la navegación HTML

En este capítulo analizaremos algunas reglas de navegación en HTML y cómo scrapear una tabla.

HTML funciona como un árbol: Dada su naturaleza jerárquica, la forma en que se ubican los datos dentro del código HTML, es en la de un árbol invertido. El nodo raíz de este árbol siempre es la etiqueta HTML y de allí saldran ramas que nos dirigen a otros nodos, conocidos en HTML como hijos o children.

Las etiquetas que se encuentran al mismo nivel y que son hijas de la misma etiqueta son parientes o siblings.
El hijo de la etiqueta TITLE es un texto: Google. Esta se denomina como hoja, nodo de text o leaf, dado que no es etiqueta y tiene texto. STYLE es técnicamente su hermana, pero no es una hoja, dado que dentro de sí tiene etiquetas.

2. Navegar la estructura HTML con rvest

Existen varias funciones de rvest para navegar sobre HTML. Veamos algunas de ellas sobre el ejemplo de la clase pasada.

library(rvest)
library(tidyverse)

Registered S3 methods overwritten by 'dbplyr':
  method         from
  print.tbl_lazy     
  print.tbl_sql      
-- Attaching packages ------------------------------------------ tidyverse 1.3.1 --
v ggplot2 3.3.5     v purrr   0.3.4
v tibble  3.1.3     v dplyr   1.0.7
v tidyr   1.1.3     v stringr 1.4.0
v readr   2.0.0     v forcats 0.5.1
-- Conflicts --------------------------------------------- tidyverse_conflicts() --
x dplyr::filter()         masks stats::filter()
x readr::guess_encoding() masks rvest::guess_encoding()
x dplyr::lag()            masks stats::lag()

url <- "https://www.york.ac.uk/teaching/cws/wws/webpage1.html"
html <- url %>% read_html()

Un primer método es el uso de la función html_children(), la cual toma un nodo y nos devuelve sus hijos, que son de la clase xml_nodeset.

html %>% html_children()

{xml_nodeset (1)}
[1] <body><hmtl><title>webpage1</title>\n<table width="75%" align="center"><tr>\ ...

Si a este conjunto de nodos intentamos convertirlos automáticamente a texto, obtendremos el siguiente resultado.

html %>% html_children() %>% html_text()

[1] "webpage1\nSTARTING . . . \n\n\nThere are lots of ways to create web pages using already coded programmes. These lessons will teach you how to use the underlying HyperText Markup Language -  HTML. \nHTML isn't computer code, but is a language that uses US English to enable texts (words, images, sounds) to be inserted and formatting such as colo(u)r and centre/ering to be written in. The process is fairly simple; the main difficulties often lie in small mistakes - if you slip up while word processing your reader may pick up your typos, but the page will still be legible. However, if your HTML is inaccurate the page may not appear - writing web pages is, at the least, very good practice for proof reading!\n\nLearning HTML will enable you to:\ncreate your own simple pages\nread and appreciate pages created by others\ndevelop an understanding of the creative and literary implications of web-texts\nhave the confidence to branch out into more complex web design \nA HTML web page is made up of tags. Tags are placed in brackets like this < tag > . A tag tells the browser how to display information. Most tags need to be opened < tag > and closed < /tag >.\n\n To make a simple web page you need to know only four tags:\n< HTML > tells the browser your page is written in HTML format\n< HEAD > this is a kind of preface of vital information that doesn't appear on the screen. \n< TITLE >Write the title of the web page here - this is the information that viewers see on the upper bar of their screen. (I've given this page the title 'webpage1').\n< BODY >This is where you put the content of your page, the words and pictures that people read on the screen. \nAll these tags need to be closed.\n\nEXERCISE\n\nWrite a simple web page.\n Copy out exactly the HTML below, using a WP program such as Notepad.\nInformation in italics indicates where you can insert your own text, other information is HTML and needs to be exact. However, make sure there are no spaces between the tag brackets and the text inside.\n(Find Notepad by going to the START menu\\ PROGRAMS\\ ACCESSORIES\\ NOTEPAD). \n\n< HTML >< HEAD >< TITLE > title of page< /TITLE >< /HEAD >< BODY> write what you like here: 'my first web page', or a piece about what you are reading, or a few thoughts on the course, or copy out a few words from a book or cornflake packet.  Just type in your words using no extras such as bold, or italics, as these have special HTML tags, although you may use upper and lower case letters and single spaces. < /BODY >< /HTML >Save the file as 'first.html' (ie. call the file anything at all) It's useful if you start a folder - just as you would for word-processing - and call it something like WEBPAGES, and put your first.html file in the folder.\n\nNOW - open your browser.\nOn Netscape the process is:   \nTop menu; FILE\\ OPEN PAGE\\ CHOOSE FILE \nClick on your WEBPAGES folder\\ FIRST file\nClick 'open' and your page should appear.\nOn Internet Explorer: \nTop menu; FILE\\ OPEN\\ BROWSE  \nClick on your WEBPAGES folder\\ FIRST file\nClick 'open' and your page should appear.If the page doesn't open, go back over your notepad typing and make sure that all the HTML tags are correct. Check there are no spaces between tags and internal text; check that all tags are closed; check that you haven't written < HTLM > or < BDDY >.  Your page will work eventually. \n\nMake another page. Call it somethingdifferent.html and place it in the same WEBPAGES folder as detailed above.\nstart formatting in lesson two\nback to wws index \n\n \n  \n\n\n\n\n"

Como se puede notar, al usar html_text se obtiene el texto de todas las etiquetas en el conjunto de nodos utilizado.

Otra forma de navegar es el uso de selectores a través de las funciones html_nodes y html_node. Mientras html_nodes devuelve todos los nodos del selector escogido, html_node devuelve solo el primero que encuentre. Así, el argumento que necesitan estas funciones para realizar su trabajo es un selector. Un selector no es más que una cadena de texto que especifica un camino que se debe recorrer en el árbol HTML para llegar al objeto que estamos buscando. Cabe notar que estos selectores siguen una sintaxis específica. Intentemos obtener solo el texto de los nodos p (párrafos).

html %>% html_nodes("p") %>% html_text()

 [1] "There are lots of ways to create web pages using already coded programmes. These lessons will teach you how to use the underlying HyperText Markup Language -  HTML. \n"                                                                                                                                                                                                                                                                                                                                                          
 [2] "HTML isn't computer code, but is a language that uses US English to enable texts (words, images, sounds) to be inserted and formatting such as colo(u)r and centre/ering to be written in. The process is fairly simple; the main difficulties often lie in small mistakes - if you slip up while word processing your reader may pick up your typos, but the page will still be legible. However, if your HTML is inaccurate the page may not appear - writing web pages is, at the least, very good practice for proof reading!"
 [3] "Learning HTML will enable you to:\n"                                                                                                                                                                                                                                                                                                                                                                                                                                                                                              
 [4] "A HTML web page is made up of tags. Tags are placed in brackets like this < tag > . A tag tells the browser how to display information. Most tags need to be opened < tag > and closed < /tag >.\n\n"                                                                                                                                                                                                                                                                                                                             
 [5] " To make a simple web page you need to know only four tags:\n"                                                                                                                                                                                                                                                                                                                                                                                                                                                                    
 [6] "All these tags need to be closed.\n\n"                                                                                                                                                                                                                                                                                                                                                                                                                                                                                            
 [7] "Write a simple web page."                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                         
 [8] " Copy out exactly the HTML below, using a WP program such as Notepad.\nInformation in italics indicates where you can insert your own text, other information is HTML and needs to be exact. However, make sure there are no spaces between the tag brackets and the text inside.\n(Find Notepad by going to the START menu\\ PROGRAMS\\ ACCESSORIES\\ NOTEPAD). \n"                                                                                                                                                              
 [9] "\n< HTML >< HEAD >< TITLE > title of page< /TITLE >< /HEAD >< BODY> write what you like here: 'my first web page', or a piece about what you are reading, or a few thoughts on the course, or copy out a few words from a book or cornflake packet.  Just type in your words using no extras such as bold, or italics, as these have special HTML tags, although you may use upper and lower case letters and single spaces. < /BODY >< /HTML >"                                                                                  
[10] "Save the file as 'first.html' (ie. call the file anything at all) It's useful if you start a folder - just as you would for word-processing - and call it something like WEBPAGES, and put your first.html file in the folder.\n\n"                                                                                                                                                                                                                                                                                               
[11] "NOW - open your browser.\nOn Netscape the process is:   \nTop menu; FILE\\ OPEN PAGE\\ CHOOSE FILE \nClick on your WEBPAGES folder\\ FIRST file\nClick 'open' and your page should appear.\n"                                                                                                                                                                                                                                                                                                                                     
[12] "On Internet Explorer: \nTop menu; FILE\\ OPEN\\ BROWSE  \nClick on your WEBPAGES folder\\ FIRST file\nClick 'open' and your page should appear."                                                                                                                                                                                                                                                                                                                                                                                  
[13] "If the page doesn't open, go back over your notepad typing and make sure that all the HTML tags are correct. Check there are no spaces between tags and internal text; check that all tags are closed; check that you haven't written < HTLM > or < BDDY >.  Your page will work eventually. \n"                                                                                                                                                                                                                                  
[14] "\nMake another page. Call it somethingdifferent.html and place it in the same WEBPAGES folder as detailed above.\n"                                                                                                                                                                                                                                                                                                                                                                                                               
[15] "start formatting in lesson two\nback to wws index "

Notemos que al usar solo p, se obtuvieron todos los elementos de este tipo en todo el documento, para navegar a un nodo específico, tendremos que detallar más el selector, lo cual lo podemos lograr a través de la opción inspeccionar que tienen casi todos los navegadores existentes, o través de extensiones como SelectorGadget en Google Chrome.

Finalmente, una vez que naveguemos a los selectores deseados, podemos obtener atributos específicos de ellos, como hipervínculos a través de la función html_attr. Esta necesita como argumento el atributo que deseamos extraer. Si usamos la función html_attrs, esta nos devolverá todos los atributos del nodo seleccionado como un vector.

html %>% html_nodes("table p") %>% pluck(15) %>% html_node("a") %>% html_attrs()

           href 
"webpage2.html"

html %>% html_nodes("table p") %>% pluck(15) %>% html_node("a") %>% html_attr("href")

[1] "webpage2.html"

3. Extracción de tablas con rvest

Hasta ahora sabemos cómo obtener la gran mayoría de elementos que se encuentran en un documento HTML. Así, veremos a continuación un caso especial: tablas.

En su forma más sencilla, una tabla consiste de tres etiquetas HTML distintas: table, tr y td. La etiqueta table designa una tabla, la etiqueta tr designa filas y encierras varias etiquetas td, las cuales designan celdas. Normalmente el número de td dentro de las tr debe ser el mismo; sin embargo, puede utilizarse el atributo colspan en las etiquetas td, permitiendo que una celda se extienda por varias columnas.

Como se puede notar en la gráfica, existen varias otras etiquetas que se pueden utilizar para estructurar una tabla, tal como la etiqueta th, la cual nos permite colocar una fila como encabezado. Tablas que tienen esta fila son más fáciles de scrapear.

Para scrapear una tabla usando rvest, usaremos la función html_table (apoyándonos en la herramienta inspeccionar), tomando como ejemplo la página de wikipedia que nos muestra la discografía de la banda de rock alternativo Muse:

Como se puede notar, esta función transforma a los datos en un tibble (objeto que almacena una tabla de datos, propia del tidyverse). Por otro lado, dicha función tendrá un mejor resultado a medida que mejor estructurados estén los datos. La función html_table tiene los argumentos header y fill que nos sirven para especificar que la primera fila es un encabezado (si no existen etiquetas th) y para rellenar celdas vacías.

En el siguiente capítulo veremos los tipos de selectores existentes y algunas de sus utilidades.

---
title: "Web Scrapping con R"
subtitle: 'Capítulo 3: Navegar HTML'
author: Hugo Porras
output: 
  html_notebook:
    css: Estilos.css
    toc: true
    toc_depth: 2
    toc_float:
      collapsed: true
      smooth_scroll: false
bibliography: Bibliografia.bib
csl: cepal.xml
---

# **1. Reglas básicas de la navegación HTML**

![](https://lh3.googleusercontent.com/proxy/eZz3KXLU5n1uANF7tbiA_KGVDWnP3tTcQ5Af4Sqjo9kBng51t_x85PXL0eaCjtBWqJgBeJtirRBYdZlTSMyUTH_vZicKG2y566xBatPpUJIb3QO5O_LOIq4PtUQOpLfAWOhMwzANBos_eRI75tJ8kksv73tzSBhmRvmZh8OLUN0PuXiXeF00Z3zCKL8lp7gl0UHB0vSmN838byw-xYBMKi0qFybZLg)

En este capítulo analizaremos algunas reglas de navegación en HTML y cómo scrapear una tabla.

+ **HTML funciona como un árbol**: Dada su naturaleza jerárquica, la forma en que se ubican los datos dentro del código HTML, es en la de un árbol invertido. El nodo raíz de este árbol siempre es la etiqueta HTML y de allí saldran ramas que nos dirigen a otros nodos, conocidos en HTML como hijos o **children**.

![](https://www.researchgate.net/profile/Antanas-Cenys/publication/266609609/figure/fig3/AS:668915730497539@1536493346230/HTML-source-code-on-left-shown-as-a-tree-structure-on-right.png)

+ Las etiquetas que se encuentran al mismo nivel y que son hijas de la misma etiqueta son parientes o **siblings**.
+ El hijo de la etiqueta TITLE es un texto: Google. Esta se denomina como hoja, **nodo de text** o **leaf**, dado que no es etiqueta y tiene texto. STYLE es técnicamente su hermana, pero no es una hoja, dado que dentro de sí tiene etiquetas.

# **2. Navegar la estructura HTML con rvest**

Existen varias funciones de rvest para navegar sobre HTML. Veamos algunas de ellas sobre el ejemplo de la clase pasada.

```{r}
library(rvest)
library(tidyverse)
url <- "https://www.york.ac.uk/teaching/cws/wws/webpage1.html"
html <- url %>% read_html()
```

+ Un primer método es el uso de la función **html_children()**, la cual toma un nodo y nos devuelve sus hijos, que son de la clase xml_nodeset.

```{r}
html %>% html_children()
```
Si a este conjunto de nodos intentamos convertirlos automáticamente a texto, obtendremos el siguiente resultado.

```{r}
html %>% html_children() %>% html_text()
```

Como se puede notar, al usar **html_text** se obtiene el texto de todas las etiquetas en el conjunto de nodos utilizado.

+ Otra forma de navegar es el uso de **selectores** a través de las funciones **html_nodes** y **html_node**. Mientras **html_nodes** devuelve todos los nodos del selector escogido, **html_node** devuelve solo el primero que encuentre. Así, el argumento que necesitan estas funciones para realizar su trabajo es un **selector**. Un selector no es más que una **cadena de texto** que **especifica un camino que se debe recorrer en el árbol HTML** para llegar al objeto que estamos buscando. Cabe notar que estos selectores siguen una **sintaxis específica**. Intentemos obtener solo el texto de los nodos **p** (párrafos).

```{r}
html %>% html_nodes("p") %>% html_text()
```

Notemos que al usar solo **p**, se obtuvieron todos los elementos de este tipo en todo el documento, para navegar a un nodo específico, tendremos que detallar más el selector, lo cual lo podemos lograr a través de la opción **inspeccionar** que tienen casi todos los navegadores existentes, o través de extensiones como **SelectorGadget** en Google Chrome.

+ Finalmente, una vez que naveguemos a los selectores deseados, podemos obtener atributos específicos de ellos, como hipervínculos a través de la función **html_attr**. Esta necesita como argumento el atributo que deseamos extraer. Si usamos la función **html_attrs**, esta nos devolverá todos los atributos del nodo seleccionado como un vector. 

```{r}
html %>% html_nodes("table p") %>% pluck(15) %>% html_node("a") %>% html_attrs()
```

```{r}
html %>% html_nodes("table p") %>% pluck(15) %>% html_node("a") %>% html_attr("href")
```

# **3. Extracción de tablas con rvest**

![](https://cdn.ttc.io/i/fit/1035/0/sm/0/plain/exposingtheinvisible.org/ckeditor_assets/pictures/647/content_cs-web-scraping-en-v01-010-expanded-pane.png)

Hasta ahora sabemos cómo obtener la gran mayoría de elementos que se encuentran en un documento HTML. Así, veremos a continuación un caso especial: tablas.

En su forma más sencilla, una tabla consiste de tres etiquetas HTML distintas: **table**, **tr** y **td**. La etiqueta **table** designa una tabla, la etiqueta **tr** designa filas y encierras varias etiquetas **td**, las cuales designan celdas. Normalmente el número de **td** dentro de las **tr** debe ser el mismo; sin embargo, puede utilizarse el atributo **colspan** en las etiquetas **td**, permitiendo que una celda se extienda por varias columnas.

![](https://flaviocopes.com/html-tables/no-styling.png)

Como se puede notar en la gráfica, existen varias otras etiquetas que se pueden utilizar para estructurar una tabla, tal como la etiqueta **th**, la cual nos permite colocar una fila como encabezado. Tablas que tienen esta fila son más fáciles de scrapear.

Para scrapear una tabla usando rvest, usaremos la función **html_table** (apoyándonos en la herramienta inspeccionar), tomando como ejemplo la página de wikipedia que nos muestra la discografía de la banda de rock alternativo **[Muse](https://es.wikipedia.org/wiki/Muse)**:

```{r}
html <- read_html("https://es.wikipedia.org/wiki/Anexo:Discograf%C3%ADa_de_Muse")
html %>% html_node("#mw-content-text > div.mw-parser-output > center:nth-child(9) > table") %>% html_table()
```

Como se puede notar, esta función transforma a los datos en un tibble (objeto que almacena una tabla de datos, propia del tidyverse). Por otro lado, dicha función tendrá un mejor resultado a medida que mejor estructurados estén los datos. La función **html_table** tiene los argumentos **header** y **fill** que nos sirven para especificar que la primera fila es un encabezado (si no existen etiquetas **th**) y para rellenar celdas vacías.

En el siguiente capítulo veremos los tipos de selectores existentes y algunas de sus utilidades.



Web Scrapping con R

Capítulo 3: Navegar HTML

Hugo Porras

1. Reglas básicas de la navegación HTML

2. Navegar la estructura HTML con rvest

3. Extracción de tablas con rvest