我试图通过以下方式获得瑞士联邦最高法院的所有法令:https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php?lang=de&type=simple_query&query_words=&lang=de&top_subcollection_aza=all&from_date=&to_date=&x=12&y=12 不幸的是,没有提供API。 我想要检索的数据的CSS选择器是 .para
我知道http://relevancy.bger.ch/robots.txt。
User-agent: *
Disallow: /javascript
Disallow: /css
Disallow: /hashtables
Disallow: /stylesheets
Disallow: /img
Disallow: /php/jurivoc
Disallow: /php/taf
Disallow: /php/azabvger
Sitemap: http://relevancy.bger.ch/sitemaps/sitemapindex.xml
Crawl-delay: 2
对我来说,看起来我正在查看的URL是否允许抓取,这是正确的吗?无论如何,联邦委员会解释说,这些规则针对的是大型搜索引擎,并且可以容忍个人抓取。
我可以检索单一法令的数据(使用https://www.analyticsvidhya.com/blog/2017/03/beginners-guide-on-web-scraping-in-r-using-rvest-with-hands-on-knowledge/)
url <- 'https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php?lang=de&type=highlight_simple_query&page=1&from_date=&to_date=&sort=relevance&insertion_date=&top_subcollection_aza=all&query_words=&rank=1&azaclir=aza&highlight_docid=aza%3A%2F%2F18-12-2017-6B_790-2017&number_of_ranks=113971'
webpage <- read_html(url)
decree_html <- html_nodes(webpage,'.para')
rank_data <- html_text(decree_html)
decree1_data <- html_text(decree_html)
但是,由于rvest仅从一个特定页面提取数据而我的数据在多个页面上,我尝试使用Rcrawler(https://github.com/salimk/Rcrawler),但我不知道如何抓取给定网站结构{ {3}}获取包含法令的所有网址。
我查看了以下帖子,但仍无法找到解决方案:
答案 0 :(得分:1)
我不会在下面进行错误处理,因为这超出了这个问题的范围。
让我们从通常的嫌疑人开始:
library(rvest)
library(httr)
library(tidyverse)
我们将定义一个功能,通过页码为我们提供搜索结果页面。自从您提供了URL以来,我对搜索参数进行了硬编码。
在这个函数中,我们:
这很简单:
get_page <- function(page_num=1) {
GET(
url = "https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php",
query = list(
type="simple_query",
lang="de",
top_subcollection_aza="all",
query_words="",
from_date="",
to_date="",
x="12",
y="12",
page=page_num
)
) -> res
warn_for_status(res) # shld be "stop" and you should do error handling
pg <- content(res)
links <- html_nodes(pg, "div.ranklist_content ol li")
data_frame(
link = html_attr(html_nodes(links, "a"), "href"),
title = html_text(html_nodes(links, "a"), trim=TRUE),
court = html_text(html_nodes(links, xpath=".//a/../../div/div[contains(@class, 'court')]"), trim=TRUE), # these are "dangerous" if they aren't there but you can wrap error handling around this
subject = html_text(html_nodes(links, xpath=".//a/../../div/div[contains(@class, 'subject')]"), trim=TRUE),
object = html_text(html_nodes(links, xpath=".//a/../../div/div[contains(@class, 'object')]"), trim=TRUE)
) -> xdf
# this looks for the text at the bottom paginator. if there's no link then we're done
attr(xdf, "page") <- page_num
attr(xdf, "has_next") <- html_node(pg, xpath="boolean(.//a[contains(., 'Vorwärts')])")
xdf
}
创建一个帮助函数,因为我无法键入attr(...)
并且它在使用中读得更好:
has_next <- function(x) { attr(x, "has_next") }
现在,制作一个抓取循环。我只停在6点b / c。您应该删除该逻辑以刮取所有内容。考虑分批执行此操作,因为互联网连接是不稳定的事情:
pg_num <- 0
all_links <- list()
repeat {
cat(".") # poor dude's progress ber
pg_num <- pg_num + 1
pg_df <- get_page(pg_num)
if (!has_next(pg_df)) break
all_links <- append(all_links, list(pg_df))
if (pg_num == 6) break # this is here for me since I don't need ~11,000 documents
Sys.sleep(2) # robots.txt crawl delay
}
cat("\n")
将数据框列表转换为一个大的框架。注意:您应该在此之前进行有效性测试,因为网络抓取充满了危险。您还应该将此数据框保存到RDS文件中,这样就不必再次执行此操作。
lots_of_links <- bind_rows(all_links)
glimpse(lots_of_links)
## Observations: 60
## Variables: 5
## $ link <chr> "https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php?lang=de&type=highlight_simple_query&...
## $ title <chr> "18.12.2017 6B 790/2017", "14.12.2017 6G 2/2017", "13.12.2017 5A 975/2017", "13.12.2017 5D 257/2017", "...
## $ court <chr> "Strafrechtliche Abteilung", "Cour de droit pénal", "II. zivilrechtliche Abteilung", "II. zivilrechtlic...
## $ subject <chr> "Straf- und Massnahmenvollzug", "Procédure pénale", "Familienrecht", "Schuldbetreibungs- und Konkursrec...
## $ object <chr> "Bedingte Entlassung aus der Verwahrung, Beschleunigungsgebot", "Demande d'interprétation et de rectifi...
掌握了所有链接后,我们将获取文件。
定义辅助函数。注意我们不在这里解析。分开做。我们将存储内容<div>
HTML文本,以便您稍后解析。
get_documents <- function(urls) {
map_chr(urls, ~{
cat(".") # poor dude's progress ber
Sys.sleep(2) # robots.txt crawl delay
read_html(.x) %>%
xml_node("div.content") %>%
as.character() # we do this b/c we aren't parsing it yet but xml2 objects don't serialize at all
})
}
以下是如何使用它。再次,删除head()
,但也考虑分批进行。
head(lots_of_links) %>% # I'm not waiting for 60 documents
mutate(content = get_documents(link)) -> links_and_docs
cat("\n")
glimpse(links_and_docs)
## Observations: 6
## Variables: 6
## $ link <chr> "https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php?lang=de&type=highlight_simple_query&...
## $ title <chr> "18.12.2017 6B 790/2017", "14.12.2017 6G 2/2017", "13.12.2017 5A 975/2017", "13.12.2017 5D 257/2017", "...
## $ court <chr> "Strafrechtliche Abteilung", "Cour de droit pénal", "II. zivilrechtliche Abteilung", "II. zivilrechtlic...
## $ subject <chr> "Straf- und Massnahmenvollzug", "Procédure pénale", "Familienrecht", "Schuldbetreibungs- und Konkursrec...
## $ object <chr> "Bedingte Entlassung aus der Verwahrung, Beschleunigungsgebot", "Demande d'interprétation et de rectifi...
## $ content <chr> "<div class=\"content\">\n \n<div class=\"para\"> </div>\n<div class=\"para\">Bundesgericht </div>...
你仍然需要错误&amp;在各个地方进行有效性检查,如果存在服务器错误或解析问题,可能需要重新抓取页面。但这是如何构建这种特定于站点的爬虫。