我有一个很好的小包来抓取Google Ngram数据,但我发现他们已经切换到SSL而我的包已经坏了。如果我从readLines
切换到getURL
可以获得某些方式,但页面中包含的某些脚本将丢失。我是否需要对用户代理或其他东西感兴趣?
这是我到目前为止所尝试的(非常基本的):
library(RCurl)
myurl <- "https://books.google.com/ngrams/graph?content=hacker&year_start=1950&year_end=2000"
getURL(myurl)
在浏览器中输入网址后将结果与查看源进行比较显示返回R的结果中缺少关键内容。在浏览器中,源包含如下内容:
<script type="text/javascript">
var data = [{"ngram": "hacker", "type": "NGRAM", "timeseries": [9.4930387994907051e-09,
1.1685493106483591e-08, 1.0784501440023556e-08, 1.0108472218003532e-08,
等
任何建议都将不胜感激!
答案 0 :(得分:1)
对不起,不是直接的解决方案,但它似乎不是用户代理问题。当您在浏览器中打开URL时,您可以看到有一个重定向,在地址末尾添加了一个参数:direct_url=t1%3B%2Chacker%3B%2Cc0
。
如果您使用getURL()
下载此新网址,请使用新参数,然后您提及的javascript会出现在结果中。
另一种解决方案可能是尝试通过Google BigQuery访问数据,如本SO问题所述: