使用 R 映射博客之间的链接网络？

我想了解有关如何创建和可视化博客之间的链接图以反映它们之间的“社交网络”的建议。

这是我的想法：

1. 从一个（或多个）博客主页开始，收集该页面上的所有链接
2. 删除所有属于内部链接的链接（也就是说，如果我从 www.website.com 开始。那么我想删除形状“www.website.com/***”中的所有链接）。但存储所有外部链接。
3. 转到每个链接（假设您尚未访问过它们），然后重复步骤 1。
4. 继续直到（比方说）X 从第一页跳转。
5. 绘制收集到的数据。

我想为了在 R 中做到这一点，人们会使用 RCurl/XML （感谢 Shane 的回答here http://metaoptimize.com/qa/questions/995/mapping-the-link-network-between-websites-blogs），与类似的东西结合igraph.

但由于我对它们都没有经验，如果我错过了任何重要步骤，这里是否有人愿意纠正我，或者附加任何有用的代码片段来完成此任务？

p.s：我提出这个问题的动机是，一周后我将在 useR 2010 上发表关于“博客和 R”的演讲，我认为这可能是一个很好的方式，既可以给观众带来一些乐趣，也可以激励他们去做像这样的事情本身。

多谢！

Tal

注意：此示例是获取链接的非常基本的方法，因此需要进行调整以使其更加稳健。 :)

我不知道这段代码有多有用，但希望它可以让您了解前进的方向（只需将其复制并粘贴到 R 中，一旦您安装了 RCurl 和 XML 包，它就是一个独立的示例） ：

library(RCurl)
library(XML)

get.links.on.page <- function(u) {
  doc <- getURL(u)
  html <- htmlTreeParse(doc, useInternalNodes = TRUE)
  nodes <- getNodeSet(html, "//html//body//a[@href]")
  urls <- sapply(nodes, function(x) x <- xmlAttrs(x)[[1]])
  urls <- sort(urls)
  return(urls)
}

# a naieve way of doing it. Python has 'urlparse' which is suppose to be rather good at this
get.root.domain <- function(u) {
  root <- unlist(strsplit(u, "/"))[3]
  return(root)
}

# a naieve method to filter out duplicated, invalid and self-referecing urls. 
filter.links <- function(seed, urls) {
  urls <- unique(urls)
  urls <- urls[which(substr(urls, start = 1, stop = 1) == "h")]
  urls <- urls[grep("http", urls, fixed = TRUE)]
  seed.root <- get.root.domain(seed)
  urls <- urls[-grep(seed.root, urls, fixed = TRUE)]
  return(urls)
}

# pass each url to this function
main.fn <- function(seed) {
  raw.urls <- get.links.on.page(seed)
  filtered.urls <- filter.links(seed, raw.urls)
  return(filtered.urls)
}

### example  ###
seed <- "http://www.r-bloggers.com/blogs-list/"
urls <- main.fn(seed)

# crawl first 3 links and get urls for each, put in a list 
x <- lapply(as.list(urls[1:3]), main.fn)
names(x) <- urls[1:3]
x

如果您将其复制并粘贴到 R 中，然后查看 x，我认为它会有意义。

不管怎样，祝你好运，伙计！ 托尼·布雷亚尔