r语言 - 爬虫 - 如何爬网受帐户/密码保护的网站?

Question

我正在尝试抓取和抓取网站的表格。我在网站上有一个帐户，我发现 Rcrawl 可以帮助我根据特定关键字等获取表格的部分内容。问题是在GitHub页面上没有提到如何通过帐户/密码保护抓取网站。

登录示例如下：

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

你知道Rcrawler是否具有此功能吗？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"))

我相信我上面的代码是错误的，但我希望它能让你了解我想做什么。

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 Authentication，您需要使用 Web 驱动程序来刺激登录会话，幸运的是，这是可能的，因为Rcrawler v0.1.9，它实现了phantomjsWeb 驱动程序(浏览器但没有图形界面(。

在下面的示例中将尝试登录博客网站

library(Rcrawler)

下载并安装网络驱动程序

install_browser()

运行浏览器会话

br<- run_browser()

如果您收到错误，请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，只需抓取/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no_cores/no_conn因为许多网站拒绝一个用户的多个会话。 保持合法并尊重机器人.txt通过设置 Obeyrobots = TRUE

您可以访问浏览器功能，例如：

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