Minha pouca experiência com web scraping no R
me fez gostar mais do pacote rvest
do que do XML
para fazer este tipo de trabalho. Por isso, vou te passar uma solução com ele, em vez de uma solução com o pacote que tu queria:
library(rvest)
url <- "http://en.wikipedia.org/wiki/List_of_countries_by_population"
tabela <- read_html(url) %>%
html_table(fill=TRUE) %>%
.[[2]]
O único truque aqui é saber identificar a posição da tabela que te interessa dentro daquilo que foi baixado da internet. No caso específico do endereço presente no objeto url
, a tabela que nos interessa está na posição [[2]]
.
Até onde sei, a única maneira de descobrir o número correto é por tentativa e erro. Talvez haja outra forma, mas eu desconheço.
Caso o código acima gere o erro Error in open.connection(x, "rb") : Timeout was reached
, tente rodar o comando abaixo:
library(rvest)
library(curl)
url <- "http://en.wikipedia.org/wiki/List_of_countries_by_population"
tabela <- read_html(curl(url, handle = curl::new_handle("useragent" = "Mozilla/5.0"))) %>%
html_table(fill=TRUE) %>%
.[[2]]
Ao usar o curl
, nós forçamos o scraper a se identificar ao site. Assim, o site não refuta a conexão que o R
tenta fazer.