Question

问题：

从此网站中提取产品图片的网址：

http://www.linio.com.pe/computacion/pc-escritorio/

某些图片具有“数据源”属性，我可以拉动图像的网址。问题是，有些产品没有这个属性。但是他们在src属性中有我需要的URL。

到目前为止：

1）我可以获得具有“data-origin”属性的产品的url。 2）当产品没有属性“data-origin”但在src属性中有url时，无法获取url。

＃

注意事项：

源代码中有两个网址：有和没有。精灵。。我不需要精灵部分的网址。

1个产品的示例：

Rigth网址：http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg

可以在img标签或noscript部分找到。

错误的网址：http://media.linio.com.pe/p/hp-1987-043329-sprite.jpg

这是“sprite-hidden”类

更新1：

使用SelectorGadget它说我应该使用“.lazyImg”。但我没有得到我所期望的。

  PCimgs  <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
            html_nodes(".lazyImg")%>%
            html_text()

但我明白了：

[1] "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" ""

更新2：

调查我看到有人可以一个接一个地使用两个html_nodes。这更接近我想要的。因为我需要为页面上的所有产品提供网址。

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img")

但是，这给了我比需要更多的信息。所以我尝试了这个修改（感谢用户提出这个想法）：

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img") %>%
    html_attr("data-original")

这很有效！部分：

我明白了：

 [1] "http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"      
 [2] NA                                                              
 [3] "http://media.linio.com.pe/p/hp-7585-499619-1-catalog.jpg"      
 [4] NA

这是因为某些元素具有属性：data-origin，而其他元素则没有。但他们在scr attrbute中有我需要的网址。所以我用：

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img") %>%
    html_attr("scr")

但我明白了：

> PCs

[1] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA [33] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA

任何帮助？

＃

这是页面（http://www.linio.com.pe/computacion/pc-escritorio/）

的源代码

        <ul class="product-items" id="catalog-items">
              <li id="HP016EL59NXCPEAMZ" class="product-item " itemscope itemtype="http://schema.org/Product" data-badge="badgeDivFalse">
            <a id="1:HP016EL59NXCPEAMZ" href="http://www.linio.com.pe/HP---Desktop-All-in-One-Intel-Celeron-18.5-500GB-4GB---Plateado-Negro-923340.html" title="HP - Desktop All-in-One Intel Celeron 18.5'' 500GB 4GB - Plateado/Negro">
        <ul>
            <li class="product-item-img" style="position: relative;">
                <span class="lazyImage">
                    <span style="width:160px;height:160px;" class="itm-imageWrapper itm-imageWrapper-HP016EL59NXCPEAMZ">
                        <img src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAQAAAC1HAwCAAAAC0lEQVQYV2NgYAAAAAMAAWgmWQ0AAAAASUVORK5CYII="
                            data-original="http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"
                            width="160"
                            height="160" class="itm-img lazyImg"
                            onerror="catalog.onError($(this)); this.width=160">

                        <noscript>
                            <img
                                src="http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"
                                class="itm-img"
                                width="160"
                                height="160"
                            >
                        </noscript>
                                                </span>
                                                <span class="sprite hidden">http://media.linio.com.pe/p/hp-1987-043329-sprite.jpg</span>
                                        </span>
                                </li>

Answer 1

    PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_node("span.itm-imageWrapper.itm-imageWrapper-HP016EL59NXCPEAMZ img")%>%
    html_attr("data-original")
[1] "http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"

Answer 2

这是问题的答案：

PC将为您提供代码图像部分的信息。在第3行中，您可以更具体，并使用＆＃34; img＆＃34;获得确切的信息。

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img")

您会注意到某些元素在＆＃34; data-original＆＃34;中包含了您想要的网址。 attribut。其他人会在＆＃34; src＆＃34;属性。

示例＆＃34;数据原创＆＃34;：

[[47]] <img src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAQAAAC1HAwCAAAAC0lEQVQYV2NgYAAAAAMAAWgmWQ0AAAAASUVORK5CYII=" data-original="http://media.linio.com.pe/p/epson-9425-1474711-1-catalog.jpg" width="160" height="160" class="itm-img lazyImg" onerror="catalog.onError($(this)); this.width=160"/>

示例＆＃34; src＆＃34;：

[[46]] <img src="http://media.linio.com.pe/p/lg-6587-168029-1-catalog.jpg" class="itm-img" width="160" height="160"/>

1）使用此代码获取元素的网址，其中包含＆＃34; src＆＃34;属性。

PCs2 <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>% html_nodes(".product-item-img") %>% html_nodes("img") %>% html_attr("src")

2）使用此代码获取元素的网址，其中包含＆＃34; data-original＆＃34;属性。

PCs3 <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>% html_nodes(".product-item-img") %>% html_nodes("img") %>% html_attr("data-original")

问题仍在继续，因为我需要一个if else语句来确定在哪里使用＆＃34; data-original＆＃34; attr或者＆＃34; src＆＃34; attribbut。我会为此提出一个新问题。

R：rvest - 用rvest

2 个答案: