【R言語】RでWebスクレイピングしてプロット表示するまでをやってみる

R言語のデータ加工にハマってまして、Webスクレイピングにも手を出してみました。

これからWebスクレイピングを行われる方の参考になれば幸いです。

流れとしましては、
①Webページから情報を取得
②Webページから必要な情報を抽出
③データ加工
④可視化
の順です。

今回、スクレイピング先のサイトとして、東京電力パワーグリッド様が公開されている過去の電力使用実績データを使用させていただきました。

###実装

まずはWebページから情報を取得します。
諸々のパッケージ宣言や変数宣言なども行っておきます。

web_scraping.r

# ライブラリ -------------------------------------------------------------------


pacman::p_load(dplyr, tidyr, rvest, ggplot2,RMeCab,pipeR,readr,lubridate)


# ソース本文 -------------------------------------------------------------------


source_url <- "http://www.tepco.co.jp"
tar_url  <- "http://www.tepco.co.jp/forecast/html/download-j.html"

csv_all  <- data_frame()

#WebページのURLを指定し、データを取得
performance_html <- read_html(tar_url,encoding = "UTF-8")

Webページのデータを取得できたら、必要な情報を抽出します。
aタグに含まれるhref属性のデータを取り出し、その中から「/forecast/html/images/juyo-」を含む情報のみを抽出します。
これが今回必要な詳細情報です。

web_scraping.r

#データ抽出
target_url_list <-
  performance_html %>>%
  html_nodes(xpath = "//a") %>>%  #aタグに格納されているデータ
  html_attr("href") %>>%          #href属性のデータ
  as.data.frame() %>>%            #データフレーム化
  filter(grepl("/forecast/html/images/juyo-", .)) #/forecast/html/images/juyo-〇〇〇〇に詳細情報が入る

詳細情報はCSVファイル形式で格納されています。
それぞれ毎に集計していくのは骨が折れるので、一旦ひとまとめにします。
先頭行が不要なので一工夫していますが、要は公開されているデータをひとつの変数として集約・保持するソースコードを書いています。

web_scraping.r

#CSVファイル情報集約
for (i in 1:nrow(target_url_list)) {
  target_url <- paste0(source_url,target_url_list$.[i])
  
  #csvをファイル保存
  save_file <- paste0("download",i)
  download.file(paste0(source_url,target_url_list$.[i]),
                paste0(save_file,".txt"))
  
  #先頭の情報が余計なので一旦除いてから再保存する
  read_csv2(paste0(save_file,".txt")) %>>%
    write_csv2(paste0(save_file,".csv"),col_names = F)
  
  csv_tbl <- read.csv(paste0(save_file,".csv"))
  
  #データを順次追加
  csv_all <- bind_rows(csv_all, csv_tbl)
}

集約さえできればあとは加工するだけです。
データが日単位で集計されているとグルーピングができないので、
グルーピングしやすくするために年/月の列の情報を追加してサマります。

web_scraping.r

#データ加工
data <- 
  csv_all %>>%
  mutate(year=year(DATE),month=month(DATE)) %>>%  #年/月に分ける
  group_by(year,month) %>>%                       #年/月でグルーピング
  summarise("pf" = sum(実績.万kW.))
  

最後に可視化を行います。
お好みで様々な可視化を行ってみるのも良いでしょう。

web_scraping.r

ggplot(data,aes(x=year) ) + geom_histogram()

以上です。
ちょっと難しい技術でしたが、ハマると楽しいので機会があれば積極的に使っていきたいですね。
やっていきましょう。