またまたRとニコニコ動画ネタ。というより、前回のつづき。
前回、タグがうまく取得できなかったので、今回はタグやカテゴリタグの取得に挑戦。
ちなみに、自分はRを使うのに、RStudioを利用しています。
前回は簡易的にXMLをデータフレーム化するxmlToDataFrameという関数を利用しましたが、どうやらXMLをDOMにパースするxmlParseというものがあるよう。
> library(XML)
> nico <- xmlParse("http://ext.nicovideo.jp/api/getthumbinfo/sm9")
> nico
<?xml version="1.0" encoding="UTF-8"?>
<nicovideo_thumb_response status="ok">
<thumb>
<video_id>sm9</video_id>
<title>譁ｰ繝ｻ雎ｪ陦蟇ｺ荳譌・-辣ｩ謔ｩ隗｣謾ｾ - 繝ｬ繝・ヤ繧ｴ繝ｼ・・匆髯ｽ蟶ｫ</title>
<description>繝ｬ繝・ヤ繧ｴ繝ｼ・・匆髯ｽ蟶ｫ・医ヵ繝ｫ繧ｳ繝ｼ繝ｩ繧ｹ繝舌・繧ｸ繝ｧ繝ｳ・・/description>
<thumbnail_url>http://tn-skr2.smilevideo.jp/smile?i=9</thumbnail_url>
<first_retrieve>2007-03-06T00:33:00+09:00</first_retrieve>
<length>5:19</length>
<movie_type>flv</movie_type>
<size_high>21138631</size_high>
<size_low>17436492</size_low>
<view_counter>13658378</view_counter>
<comment_num>4161047</comment_num>
<mylist_counter>134544</mylist_counter>
<last_res_body>縺・縺・≧縺・≧縺・≧縺・≧縺・≧ </last_res_body>
<watch_url>http://www.nicovideo.jp/watch/sm9</watch_url>
<thumb_type>video</thumb_type>
<embeddable>1</embeddable>
<no_live_play>0</no_live_play>
<tags domain="jp">
<tag lock="1">髯ｰ髯ｽ蟶ｫ</tag>
<tag lock="1">繝ｬ繝・ヤ繧ｴ繝ｼ・・匆髯ｽ蟶ｫ</tag>
<tag lock="1">蜈ｬ蠑・/tag>
<tag lock="1">髻ｳ讌ｽ</tag>
<tag lock="1">繧ｲ繝ｼ繝</tag>
<tag>譁ｰ繝ｻ雎ｪ陦蟇ｺ荳譌・/tag>
<tag>譛蜿､縺ｮ蜍慕判</tag>
<tag>sm9</tag>
<tag>縺・/tag>
<tag>ﾎｲ譎ゆｻ｣縺ｮ闍ｱ髮・/tag>
</tags>
<user_id>4</user_id>
</thumb>
</nicovideo_thumb_response>
文字化けしてますが、このまま続けます。ところで、純正のRの開発環境で試すと、XMLのコードが表示されなかった。また、このnicoという変数は、externalptr(外部ポインターオブジェクト)という型になっているよう。このあたりはよく分かってません。
とりあえず、XPathが使えるgetNodeSetという関数があるようなので、それを使ってタグを取得してみることに。
> tags <- getNodeSet(nico, "//tag")
> tags
[[1]]
<tag lock="1">陰陽師</tag>
[[2]]
<tag lock="1">レッツゴー！陰陽師</tag>
[[3]]
<tag lock="1">公式</tag>
[[4]]
<tag lock="1">音楽</tag>
[[5]]
<tag lock="1">ゲーム</tag>
[[6]]
<tag>新・豪血寺一族</tag>
[[7]]
<tag>最古の動画</tag>
[[8]]
<tag>sm9</tag>
[[9]]
<tag>う</tag>
[[10]]
<tag>β時代の英雄</tag>
attr(,"class")
[1] "XMLNodeSet"
ありゃ。文字化けしてない。よく分からない仕様だなぁ・・・。これはlistという型になっているようなので、また違うのかもしれない。
とりあえずこの値を取得したい場合は、xmlValueという関数をつかえばいいらしい。
> xmlValue(tags)
Error in UseMethod("xmlValue") :
no applicable method for 'xmlValue' applied to an object of class "XMLNodeSet"
> #これじゃできない
> xmlValue(tags[1])
Error in UseMethod("xmlValue") :
no applicable method for 'xmlValue' applied to an object of class "list"
> #これでもできない
> xmlValue(tags[[1]])
[1] "陰陽師"
> #これでできた
> sapply(tags, function(x) xmlValue(x))
[1] "陰陽師" "レッツゴー！陰陽師"
[3] "公式" "音楽"
[5] "ゲーム" "新・豪血寺一族"
[7] "最古の動画" "sm9"
[9] "う" "β時代の英雄"
> #全て取得する場合はこうするよう
正直、Rはまだまだ分からないことだらけなので、どうしてこうなるのかわからないのですが、とりあえずタグの値は取得できたので目標達成です。
さてじゃあ次にカテゴリタグを取得・・・。ってよく見たらsm9にはカテゴリがないようです(カテゴリ化してる、ゲームタグも音楽タグもあるというのに)。とりあえず、sm1097445(【初音ミク】みくみくにしてあげる♪【してやんよ】)で試すことに。
> mikumiku <- xmlParse("http://ext.nicovideo.jp/api/getthumbinfo/sm1097445")
> mikumiku.tag <- getNodeSet(mikumiku, "//tag")
> mikumiku.tag
[[1]]
<tag category="1" lock="1">音楽</tag>
[[2]]
<tag lock="1">初音ミク</tag>
[[3]]
<tag lock="1">みくみくにしてあげる♪</tag>
[[4]]
<tag>ミクオリジナル曲</tag>
[[5]]
<tag>ika</tag>
[[6]]
<tag>VOCALOID</tag>
[[7]]
<tag>VOCALOID殿堂入り</tag>
[[8]]
<tag>初音ミク名曲リンク</tag>
[[9]]
<tag>元気が出るミクうた</tag>
[[10]]
<tag>夜みっく</tag>
attr(,"class")
[1] "XMLNodeSet"
> #カテゴリータグにはcategory属性がついているので、以下のように変更
> mikumiku.category <- getNodeSet(mikumiku, "//tag[@category]")
> mikumiku.category
[[1]]
<tag category="1" lock="1">音楽</tag>
attr(,"class")
[1] "XMLNodeSet"
> xmlValue(mikumiku.category[[1]])
[1] "音楽"
というわけで、前回作成したデータフレーム(nicoFrame2.txt)にカテゴリーを追加してみる。
まず、上記ファイル内を全て選択してコピーし、Rに読み込むことに。
> nico.table <- read.table("clipboard", header=T, sep="\t")
> for(i in 1:100){
+ xmlURL <- paste("http://ext.nicovideo.jp/api/getthumbinfo/", nico.table[i,1], sep="")
+ nico <- xmlParse(xmlURL)
+ category <- sapply(getNodeSet(nico, "//tag[@category]")[1], function(x) xmlValue(x)) #カテゴリーがない動画も考えると、この方法がよさそうだった
+ if(is.na(category)){
+ category <- "カテゴリーなし"
+ }
+ nico.table$category[i] <- category
+ }
> write.table(nico.table, "nicoFrame3.txt", quote=F, row.names=F, append=F, sep="\t")
これでできたファイルが以下。
nicoFrame3
な・・・。カテゴリーがうまく取得できてない動画がやけに多い・・・。
さっきはカテゴリーを取得できたみくみくにしてあげるも、『カテゴリーなし』に・・・。
カテゴリー取得してやりたいことあったけど、これは困った。ロックしてるタグの一番始めが、カテゴリーにある名前かどうかを見ていくという手法でなんとかなりそうではあるけれども・・・(多分、カテゴリータグの仕様はそれであってる)。
なんでこんなに、カテゴリーかどれかという情報がとれたりとれなかったりするのやら・・・。
コメント