页面来源

Question

我想在此website上抓取数据表。

我检查了此页面的页面源，该表格不存在于页面源中。

然后我在刷新网站时检查了网络信息，看来数据表是通过发送POST请求到这个网址获得的：

http://datacenter.mep.gov.cn:8099/ths-report/report!list.action

然后我尝试发送POST请求，但状态500没有任何结果。

我想知道无论如何使用R来刮下这张桌子？

感谢。

Answer 1

好好的调查！

它正在向我提出GET请求。这似乎可以解决问题。它还会尝试为您选择合适的目标：

library(httr)
library(rvest)
library(stringi)

pg <- read_html("http://datacenter.mep.gov.cn/index!MenuAction.action?name=259206fe260c4cf7882462520e1e3ada")

html_nodes(pg, "div[onclick]") %>% 
  html_attr("onclick") %>% 
  stri_replace_first_fixed('load("', "") %>% 
  stri_replace_last_regex('",".*$', "") -> report_urls

head(report_urls)
## [1] "http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1462849093743"
## [2] "http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1462764947052"
## [3] "http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1465594312346"
## [4] "http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1462844293531"
## [5] "http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1462844935563"
## [6] "http://datacenter.mep.gov.cn:8099/ths-report/report!list.action?xmlname=1462845592195"

rpt_pg <- read_html(report_urls[1])
html_table(rpt_pg)[[2]]
# SO won't let me paste the table