使用RSelenium和rvest进行网络抓取动态Javascript页面

Question

我正在尝试从this site创建一个颜色ID，描述和日期的数据框，它需要通过下拉菜单输入日和月，并返回一个动态JS生成的页面。我是编码的新手，认为这将是一个有趣的玩具项目。我想使用RSelenium来自动执行下拉选择，并使用RVest来抓取所生成的内容。我希望的数据帧结构如下所示：

description, date, meta
"paragraph about birthday", Jun 01, "DAFFODIL PANTONE 17-1512 POWERFUL KNOWING EXPRESSIVE"

我试图首先使用for循环在一天中的一年中的每个月内进行迭代，然后逐步实现每个月的每一天。

我坚持只让循环遍历每个月并获取内容。我可以在任务的这一部分首先使用一些概念性的帮助，并感谢您的见解！

library(RSelenium)
library(rvest)
library(tidyverse)
library(xml2)

## first run: docker run -d -p 4445:4444 selenium/standalone-chrome
## open a new connection to Chrome
remDr <- RSelenium::remoteDriver(remoteServerAddr = "localhost",
                                 port = 4445L,
                                 browserName = "chrome")

remDr$open()
remDr$navigate("https://www.pantone.com/pages/iphone/iphone_colorstrology.html#___1__") #Entering our URL gets the browser to navigate to the page
remDr$screenshot(display = TRUE) 

#### create list of month/days
 month_day<- read_html(remDr$getPageSource()[[1]])
 page_i <- month_day %>%
   html_nodes(".list") %>%
   html_children() %>% 
   html_text()

months <- page_i[1:12]
months <- (paste("'", months,"'", sep=''))
days <- page_i[13:43]
days <- as.numeric(days)


## create an object for month xpath elements
for (m in months){
  elements <- paste0("//option[contains(text(),",months,")]")
}

## attempt at loop

total <- data.frame()

for (e in elements){
remDr$navigate("https://www.pantone.com/pages/iphone/iphone_colorstrology.html#___1__") 
      print(e)
      month <- remDr$findElement(using = 'xpath', e)
      month$clickElement()
      day <- remDr$findElement(using = 'xpath', "//select[@id='lstDay']//option[5]") ## arbitrarily picking the 5th of each month
      day$clickElement()
      submit <- remDr$findElement(using = 'xpath', "/html[1]/body[1]/form[1]/div[1]/a[1]")
      submit$clickElement()
      html <- read_html(remDr$getPageSource()[[1]])
      description <- html %>%  html_nodes(xpath = "//tr//tr[2]//td[1]") %>% html_text() %>% gsub("^\\s+|\\s+$", "", .)
      meta <- html %>% html_nodes(xpath = "//td[@id='tdBg']") %>%  html_text() %>% gsub("^\\s+|\\s+$", "", .) 
      date <- html %>% html_nodes(xpath = "//td[@id='bgHeaderDate']//div") %>%  html_text() %>% gsub("^\\s+|\\s+$", "", .)
      df <- data.frame(cbind(description,meta,date))
      total <- rbind(total, df)
}

没有收到任何错误，但是每次都出乎意料。可以按单个月/日组合重复，例如Jan05 * 12次或jan05 * 3次，Apr 05 * 3次，等等。

Answer 1

我会回来更新此内容以听取我的建议。导航到该页面，然后在浏览器（例如Chrome）中使用 F12 打开开发工具，然后转到“网络”标签。然后，选择月份和日期，然后点击立即查看。您会看到流量出现在网络选项卡中。该页面发出POST xhr请求，以获取您在单击视图图标后看到的内容。

POST请求本身非常简单，并且具有一个包含所选择的月份和日期的正文（窗体）：

因此，您可以模仿该POST请求，然后解析响应。您提到的日期的示例可能是：

library(rvest)

body <- list('month' = 6,'day' = 1)
url <- 'https://www.pantone.com/pages/iphone/iphone_colorstrology_results.aspx'
page <- html_session(url) %>%
  rvest:::request_POST(url, body = body, encode = "form") %>%
  read_html()

date <- page %>% html_node('table table td') %>% html_text() %>% 
  gsub('^\\s+|\\s+$|[\r\n\t]', '', .)
description <- page %>% html_node('tr:nth-of-type(2) div') %>% html_text() %>% 
  gsub('^\\s+|\\s+$|[\r\n\t]', '', .)
meta <- page %>% html_nodes('#tdBg span') %>% html_text()

df <- data.frame(date, description, meta)

现在，这是我稍后将要回顾的内容，以上内容可以转换为一个函数，该函数返回可以组合成最终数据帧的列表或df。您可以预先生成每个主体并将其作为参数传递给函数。我将研究使用Session对象http Session来提高重用当前连接的效率。可以在循环/嵌套循环中在表单主体中更新月份和日期-取决于它们的生成方式。我是R的新手，并且知道它没有字典，但也许它具有命名列表，或诸如此类，您可以抓取月份：循环中使用的原始页面中可能的值关联。我欢迎向经验丰富的R员工学习如何实现上述目标-我的R知识存在一些空白，无法完成今天要解决的问题。有人可能会以类似的方式发布答案，这会有所帮助。

---

生成POST请求正文：

查看下拉列表中的标准年份，因此您可以在嵌套的for循环中生成所需的POST正文。我使用1,12个月，并根据标准年份对月份进行润滑：

library(lubridate)

for(i in seq(1,12)){
  date <- as.Date(gsub('placeholder',i, "2019-placeholder-01"), "%Y-%m-%d")
  days <- days_in_month(date)[[1]]
  for(j in seq(1,days)){
    body = list('month' = i,'day' = j)
    # pass body to function or add to an iterable for later looping
  }
}

Answer 2

找到了合理的解决方案！它不是完美的，但是它使我比以前更加接近。我最终根据@QHarr的建议编写了一个函数，并使用了他们的rvest模式：

library(rvest)

colorstrology <- function(i,j){

  body <- list('month' = i,'day' = j)
  url <- 'https://www.pantone.com/pages/iphone/iphone_colorstrology_results.aspx'
  page <- html_session(url) %>%
    rvest:::request_POST(url, body = body, encode = "form") %>%
    read_html()

  date <- page %>% html_node('table table td') %>% html_text() %>% 
    gsub('^\\s+|\\s+$|[\r\n\t]', '', .)
  description <- page %>% html_node('tr:nth-of-type(2) div') %>% html_text() %>% 
    gsub('^\\s+|\\s+$|[\r\n\t]', '', .)
  meta <- page %>% html_nodes('#tdBg span') %>% html_text()

  df <- data.frame(date, description, meta)
}



months <- c(1:12)
days <- c(1:31)

df <- data.frame(date, description, meta)
for (m in months){
  for (d in days){
    temp <- colorstrology(m,d)
    df <- rbind(temp, df)
}
}