我不确定是否是因为我的网速很慢,但我正在尝试抓取一个在您向下滚动页面时加载信息的网站。我正在执行一个转到页面末尾的脚本,并等待 Selenium/Chrome 服务器加载附加内容。服务器确实更新并加载新内容,因为我能够抓取最初不在页面上的信息,并且新内容显示在 Chrome 查看器上,但它只更新一次。我设置了一个Sys.sleep()
函数每次等待一分钟,以便内容有足够的时间加载,但它仍然不会更新多次。我是否错误地使用了 RSelenium?是否有其他方法来抓取动态加载的网站?
无论如何,您能提供的任何建议或帮助都会很棒。
以下是我认为与在页面末尾加载新内容有关的代码的相关部分:
for(i in 1:3){
webElem <- remDr$findElement('css', 'body')
remDr$executeScript('window.scrollTo(0, document.body.scrollHeight);')
Sys.sleep(60)
}
下面是完整的代码:
library(RSelenium)
library(rvest)
library(stringr)
rsDriver(port = 4444L, browser = 'chrome')
remDr <- remoteDriver(browser = 'chrome')
remDr$open()
remDr$navigate('http://www.codewars.com/kata')
#find the total number of recorded katas
tot_kata <- remDr$findElement(using = 'css', '.is-gray-text')$getElementText() %>%
unlist() %>%
str_extract('\\d+') %>%
as.numeric()
#there are about 30 katas per page reload
tot_pages <- (tot_kata/30) %>%
ceiling()
#will be 1:tot_pages once I know the below code works
for(i in 1:3){
webElem <- remDr$findElement('css', 'body')
remDr$executeScript('window.scrollTo(0, document.body.scrollHeight);')
Sys.sleep(60)
}
page_source <- remDr$getPageSource()
kata_vector <- read_html(page_source[[1]]) %>%
html_nodes('.item-title a') %>%
html_attr('href') %>%
str_replace('/kata/', '')
remDr$close
该网站提供了一个api https://dev.codewars.com/这应该是第一个停靠港。如果失败,您可以使用以下方式访问各个页面:
http://www.codewars.com/kata?page=21
如果您想滚动到页面底部,直到没有更多内容RSelenium
您可以使用“正在加载...”元素,它有一个class=js-infinite-marker
。虽然页面上仍然有这个元素,但我们尝试每秒向下滚动到它(对于任何问题都会捕获一些错误)。如果该元素不存在,我们假设所有内容均已加载:
library(RSelenium)
rD <- rsDriver(port = 4444L, browser = 'chrome')
remDr <- rD$client # You dont need to use the open method
remDr$navigate('http://www.codewars.com/kata')
chk <- FALSE
while(!chk){
webElem <- remDr$findElements("css", ".js-infinite-marker")
if(length(webElem) > 0L){
tryCatch(
remDr$executeScript("elem = arguments[0];
elem.scrollIntoView();
return true;", list(webElem[[1]])),
error = function(e){}
)
Sys.sleep(1L)
}else{
chk <- TRUE
}
}
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)