Question

我正在尝试抓取和刮擦网站的表格。我在该网站上有一个帐户，发现Rcrawl可以帮助我根据特定的关键字等获取表格的一部分。问题是，在GitHub页面上没有提及如何使用帐户抓取网站/密码保护。

登录示例如下：

login <- list(username="username", password="password",)

您是否知道Rcrawler是否具有此功能？例如：

Rcrawler(Website = "http://www.glofile.com" +
list (username = "username", password = "password" + no_cores = 4, no_conn = 4, ExtractCSSPat = c(".entry-title",".entry-content"), PatternsNames = c("Title","Content"))

我确信上面的代码是错误的，但是我希望它能使您对我想做的事情有所了解。

Answer 1

要在R中抓取或抓取受密码保护的网站，更准确地说，是基于HTML的身份验证 n，您需要使用网络驱动程序来激发登录会话。从 Rcrawler v0.1.9 （实现了 phantomjs ）网络驱动程序（浏览器但没有图形界面）开始，这是可能的。

在下面的示例中，将尝试登录博客网站

 library(Rcrawler)

下载并安装Web驱动程序

install_browser()

运行浏览器会话

br<- run_browser()

如果您收到错误消息，而不是禁用防病毒软件或在系统设置中允许该程序

运行自动登录操作，如果成功，则返回登录会话

 br<-LoginSession(Browser = br, LoginURL = 'http://glofile.com/wp-login.php'
                 LoginCredentials = c('demo','rc@pass@r'),
                 cssLoginFields =c('#user_login', '#user_pass'),
                cssLoginButton ='#wp-submit' )

最后，如果您已经知道要抓取/下载的私人页面，请使用

DATA <- ContentScraper(... , browser =br)

或者，只需爬网/抓取/下载所有页面

Rcrawler(Website = "http://glofile.com/",no_cores = 1 ,no_conn = 1,LoggedSession = br ,...)

不要使用多个并行的no_cores / no_conn，因为许多网站拒绝一个用户进行多个会话。通过设置Obeyrobots = TRUE，保持合法并尊重robots.txt

您访问浏览器功能，例如：

 br$session$getUrl()
 br$session$getTitle()
 br$session$takeScreenshot(file = "image.png")

抓取工具-如何抓取受帐户/密码保护的网站？

1 个答案: