Question

尝试从特定网页下载信息，虽然它在任何浏览器中都可以正常使用，但RCurl表示它不存在：

url.exists("http://www.transfermarkt.es/liga-mx-apertura/startseite/wettbewerb/MEXA")
[1] FALSE

使用“.de”时的结果相同。

url.exists("http://www.transfermarkt.de/liga-mx-clausura/startseite/wettbewerb/MEX1")
[1] FALSE

使用RCurl的其他功能

时也会返回错误

> htmlParse("http://www.transfermarkt.es/liga-mx-apertura/startseite/wettbewerb/MEXA")
Error: failed to load HTTP resource

> htmlTreeParse("http://www.transfermarkt.es/liga-mx-apertura/startseite/wettbewerb/MEXA")
Error: failed to load HTTP resource

> htmlParse(getURL("http://www.transfermarkt.es/liga-mx-apertura/startseite/wettbewerb/MEXA"))
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head><title>403 Forbidden</title></head>
<body bgcolor="white">
<center><h1>403 Forbidden</h1></center>
<hr>
<center>nginx</center>
</body>
</html>

为什么会这样？如何在这个网页上成功使用htmlParse？

编辑：

我熟悉httr包，这很好用：

content(GET("http://www.transfermarkt.es/liga-mx-apertura/startseite/wettbewerb/MEXA"))

Answer 1

当您的HTTP请求不包含用户代理字符串时，该Web服务器似乎返回403 Forbidden错误。默认情况下，RCurl不会传递用户代理。您可以使用useragent=参数设置一个。

myurl<-"http://www.transfermarkt.es/liga-mx-apertura/startseite/wettbewerb/MEXA"
url.exists(myurl, useragent="curl/7.39.0 Rcurl/1.95.4.5")
# [1] TRUE
htmlTreeParse(getURL(myurl, useragent="curl/7.39.0 Rcurl/1.95.4.5"))

httr包在我看来比用于发出HTTP请求的RCurl好一点（默认设置用户代理字符串）。这是相应的代码

library(httr)
GET(myurl)

Rcurl：当url存在时，url.exists返回false

1 个答案: