rvest で声優の男女データをスクレイピング #rstatsj #R

こういう話がある。

声優のプロフィール - 驚異のアニヲタ社会復帰への道

しかし、この記事でスクレイピングしている声優のプロフィールページには男女のデータが載っていないようだ。

なんかもういろいろめんどくさいので声優の男女のアノテーションデータ持ってる人いないですか
— YF (@Med_KU) 2015, 5月 17

ただし、同じサイトの声優一覧ページを見るとアイコンの色により男女が判定できる。

声優一覧（あ行） - 声優データベース

こいつをスクレイピングして男女データを作ってみよう。

library(rvest)
library(pforeach)

npforeach(i=1:10, .c=rbind)({
  cat(i, "\n")
  url <- sprintf("http://lain.gr.jp/voicedb/profile/list/cid/%d", i)

  Sys.sleep(10)
  html <- html(url)

  li_nodes <- html %>% html_nodes(xpath = '/html/body/div/div/div[2]/ul/li')

  url <- li_nodes %>% html_nodes(xpath = "a") %>% html_attr("href")
  name <- li_nodes %>% html_nodes(xpath = "a") %>% html_text %>% iconv("utf8", "cp932")
  sex <- li_nodes %>% html_nodes(xpath = "img") %>% html_attr("title") %>% iconv("utf8", "cp932")

  data.frame(url=url[-(1:4)], name=name[-(1:4)], sex)
}) -> result

write.csv(result, file="voice_actors2.csv", row.names=FALSE)

結果はこちら。

voice_actors2.csv

url	name	sex
/voicedb/profile/1040	ALLANSCHINTU	男性
/voicedb/profile/3116	会一太郎	男性
/voicedb/profile/2193	相上和音	女性
/voicedb/profile/3215	相生千恵子	女性
/voicedb/profile/1003	愛川欽也	男性

Enjoy!

rvest で声優の男女データをスクレイピング #rstatsj

関連