我尝试获得瑞士联邦最高法院的所有法令/Index.php?lang=de&Amp;Type=simple_query&Amp;Query_words=&lang=de＆amp;top_subcollection_aza = all＆amp;from_date =＆amp； amp； amp； amp； amp； amp； amp； amp； amp； amp； amp；不幸的是，没有提供API。我要检索的数据的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，看来我正在寻找的URL被允许爬网，这是正确的吗？无论如何，联邦科特解释说，这些规则针对大型搜索引擎，并且可以容忍个人爬行。
我可以为一项法令检索数据（使用https://www.analyticsvidhya.com/blog/2017/03/beginners-guide-on-web-on-web-n-web-scraping-in-r-using-r-using-r-using-rvest-with--with--动手知识/）
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仅从一个特定页面中提取数据，并且我的数据在多个页面上，所以我尝试了rcrawler做到这一点（https://github.com/salimk/rcrawler），但是我不知道如何爬网www.bger.ch上给定的站点结构以获取所有URL。
我检查了以下帖子，但仍然找不到解决方案：
r跨多个页面刮擦
rvest：刮擦多个URL
我在下面没有错误处理，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)
我们将定义一个函数，该函数将为我们逐页编号提供搜索结果的页面。自您提供URL以来，我已经对搜索参数进行了硬编码。
在此功能中，我们：
- 获取页面html
- 获取要刮擦文档的链接
- 获取文档METDATA
- 制作数据框
- 将属性添加到数据框架中以获取页码，以及是否还有更多页面要抓取
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
}
做一个辅助功能，因为我无法忍受键入attr(...)，并且使用读数更好：
has_next <- function(x) { attr(x, "has_next") }
现在，进行刮擦循环。我停在6个b/c。您应该删除该逻辑以刮擦所有内容。由于互联网连接是不稳定的事情，因此请考虑进行批处理：
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")
将数据帧列表变成一个大。注意：您应该在此之前进行有效性测试，因为网络刮擦充满了危险。您还应该将此数据框架保存到RDS文件中，因此您不必再做一次。
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，我们将获得文档。
定义辅助功能。请注意，我们不是在这里解析。单独这样做。我们将存储内部内容<div> HTML文本，以便稍后进行解析。
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
})
}
这是如何使用它。同样，删除head()，但也考虑在批处理中进行。
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>...
您仍然需要错误＆amp;如果有服务器错误或解析问题，则有效性检查在各个地方，可能需要重新覆盖页面。但这就是建造这种性质的特定地点轨道的方法。