Моя цель — получить временной ряд случаев легионеллеза с 1 недели 1996 года по 46 неделю 2016 года из этого веб-сайт, поддерживаемый Центром контроля заболеваний (CDC) США. Сотрудник попытался очистить только таблицы, содержащие случаи легионеллеза, с помощью приведенного ниже кода:
#install.packages('rvest')
library(rvest)
## Code to get all URLS
getUrls <- function(y1,y2,clist){
root="https://wonder.cdc.gov/mmwr/mmwr_1995_2014.asp?mmwr_year="
root1="&mmwr_week="
root2="&mmwr_table=2"
root3="&request=Submit&mmwr_location="
urls <- NULL
for (year in y1:y2){
for (week in 1:53){
for (part in clist) {
urls <- c(urls,(paste(root,year,root1,week,root2,part,root3,sep="")))
}
}
}
return(urls)
}
TabList<-c("A","B") ## can change to get not just 2 parts of the table but as many as needed.
WEB <- as.data.frame(getUrls(1996,2014,TabList)) # Only applies from 1996-2014. After 2014, the root url changes.
head(WEB)
#Example of how to extract data from a single webpage.
url <- 'https://wonder.cdc.gov/mmwr/mmwr_1995_2014.asp? mmwr_year=1996&mmwr_week=20&mmwr_table=2A&request=Submit&mmwr_location='
webpage <- read_html(url)
sb_table <- html_nodes(webpage, 'table')
sb <- html_table(sb_table, fill = TRUE)[[2]]
#test if Legionellosis is in the table. Returns a vector showing the columns index if the text is found.
#Can use this command to filter only pages that you need and select only those columns.
test <- grep("Leg", sb)
sb <- sb[,c(1,test)]
### This code only works if you have 3 columns for headings. Need to adapt to be more general for all tables.
#Get Column names
colnames(sb) <- paste(sb[2,], sb[3,], sep="_")
colnames(sb)[1] <- "Area"
sb <- sb[-c(1:3),]
#Remove commas from numbers so that you can then convert columns to numerical values. Only important if numbers above 1000
Dat <- sapply(sb, FUN= function(x)
as.character(gsub(",", "", as.character(x), fixed = TRUE)))
Dat<-as.data.frame(Dat, stringsAsFactors = FALSE)
Однако код не закончен, и я подумал, что лучше использовать API, поскольку структура и макет таблицы на веб-страницах меняются. Таким образом, нам не пришлось бы прочесывать таблицы, чтобы выяснить, когда меняется макет и как соответствующим образом настроить код парсинга веб-страниц. Таким образом, я попытался получить данные из API.
Теперь я нашел два справочных документа из CDC, которые предоставляют данные. Один из них предоставляет данные за 2014 год, которые можно увидеть здесь с использованием RSocrata, в то время как другая инструкция выглядит более обобщенной и использует запрос в формате XML через http, что можно увидеть здесь. Для запроса в формате XML через http требовался идентификатор из базы данных, который я не смог найти. Затем я наткнулся на RSocrata и решил попробовать вместо этого. Но фрагмент кода, предоставленный вместе с идентификатором токена, который я настроил, не сработал.
install.packages("RSocrata")
library("RSocrata")
df <- read.socrata("https://data.cdc.gov/resource/cmap-p7au?$$app_token=tdWMkm9ddsLc6QKHvBP6aCiOA")
Как я могу это исправить? Моя конечная цель — составить таблицу случаев легионеллеза с 1996 по 2016 год на еженедельной основе по штатам.
