RSelum：抓取加载速度较慢的动态加载页面 [英] RSelenium: Scraping a dynamically loaded page that loads slowly

问题描述

我不确定是不是因为我的互联网速度很慢，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Selify/Chrome服务器加载额外的内容。服务器确实会更新和加载新内容，因为我能够抓取最初不在页面上的信息，新内容会显示在Chrome查看器上，但它只更新一次。我将Sys.sleep()函数设置为每次等待一分钟，这样内容将有足够的时间加载，但它仍然不会多次更新。我是不是错误地使用了RSelum？有没有其他方法来抓取动态加载的网站？

不管怎样，你能提供的任何建议或帮助都是很棒的。

以下是我认为的代码中与在页面末尾加载新内容相关的部分：

for(i in 1:3){
  webElem <- remDr$findElement('css', 'body')
  remDr$executeScript('window.scrollTo(0, document.body.scrollHeight);') 
  Sys.sleep(60)
}

以下是完整代码：

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

推荐答案

该网站提供了一个api，应该是第一个访问端口。如果做不到此操作，您可以使用以下命令访问各个页面：

http://www.codewars.com/kata?page=21

如果您想使用RSelenium滚动到页面底部，直到没有其他内容为止，您可以使用"正在加载..."元素，它有一个class=js-infinite-marker。虽然我们仍然在页面上有这个元素，但我们尝试每秒钟向下滚动到它(对于任何问题，都会捕获一些错误)。如果元素不存在，我们认为所有内容都已加载：

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
  }
}

这篇关于RSelum：抓取加载速度较慢的动态加载页面的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！