Rcrawler包：Rcrawler不爬取某些网站

Question

我正在使用 Rcrawler 来抓取一个 url 向量。对于他们中的大多数人来说，它运作良好，但时不时地，他们中的一个人不会被抓取。起初我只是在 https:// 站点上注意到了这一点，地址为 here。但我使用的是 0.1.7 版本，它应该具有 https:// 功能。

我还发现 this other user 也有同样的问题，但也有 http:// 链接。我检查了我的实例，他的网站也没有为我正确抓取。

这是我尝试抓取其中一个网站时得到的结果：

>library(Rcrawler)
>Rcrawler("https://manager.submittable.com/beta/discover/?page=1&sort=")
>In process : 1..
Progress: 100.00 %  :  1  parssed from  1  | Collected pages: 1  | 
Level: 1 
+ Check INDEX dataframe variable to see crawling details 
+ Collected web pages are stored in Project folder 
+ Project folder name : manager.submittable.com-191922 
+ Project folder path : /home/anna/Documents/Rstudio/Submittable/manager.submittable.com-191922

有什么想法吗？还在等创作者的回复。

Answer 1

您尝试抓取受密码保护的 + javascript 页面，您需要网络驱动程序来创建登录会话并呈现 javascript 元素，因此，Rcrawler V 0.1.9 实现了phantomjs webdriver .

对于您的情况，首先安装最新版本的 Rcrawler，然后按照以下步骤操作：

1 - 安装网络驱动程序（实际上是 phantomjs）

library(Rcrawler)    
install_browser()

2 - 运行无头浏览器（真正的浏览器，但不可见 br <-run_browser()

如果出现错误，这意味着您的操作系统或防病毒软件正在阻止网络驱动程序 (phantom.js) 进程，请尝试暂时禁用您的防病毒软件或调整您的系统配置以允许 phantomjs 和 processx 可执行文件

3- 验证会话

 br<-LoginSession(Browser = br, LoginURL = 'https://manager.submittable.com/login',
                  LoginCredentials = c('your login','your pass'),
                  cssLoginFields =c('#email', '#password'),
                  XpathLoginButton ="//*[@type=\'submit\']" )

4 - 抓取网站页面

Rcrawler(Website ="https://manager.submittable.com/beta/discover/",no_cores = 1,no_conn = 1, LoggedSession = br, RequestsDelay = 3)

您可以使用以下方式访问网络驱动程序功能：

br$session$

RequestsDelay：给每个请求 3 秒知道一些 javascript 需要一些时间才能完全加载

no_cores=no_conn=1: 一页一页地检索页面，因为有些网站拒绝多个记录的会话。

这本应抓取受密码保护的网页，但是，较大的网站具有针对网络抓取的高级保护，例如 reCAPTCHA 或其他 http/javascript 检测 successive/automated 请求。所以最好使用他们的API，如果他们提供的话。

我们仍在努力提供在一个命令中抓取多个网站的能力。到现在为止你只能单独抓取每个，或者如果你想从同一个网站抓取 URLs/pages

，请使用 ContentScraper 功能

Rcrawler 创作者

Rcrawler包：Rcrawler不爬取某些网站

Rcrawler package: Rcrawler not crawling some websites

r

web-crawler

web-scraping

rcrawler