- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
请帮助我。
我是 R 中网络抓取的新手。我想收集链接下载此页面上的数据表 (http://burkinafaso.opendataforafrica.org/)。我的项目是让这些数据更易于访问。
这是网站:http://burkinafaso.opendataforafrica.org/
在 Donnée 页面中,我有一个扇区列表。农业:43 table 公助:7 table ...
当我点击农业时,我得到了数据集列表。 https://drive.google.com/open?id=1cInWz62HjbcpgJ00rK-8Q-0p71mC59hq
我尝试了下面的这段代码来查看网站的结构。但我没有看到可以让我提取这些链接的架构。
library(RCurl)
library(XML)
library(rvest)
URL <- "http://burkinafaso.opendataforafrica.org/"
pg <- read_html(URL)
p <- html_children(pg)[1]
pp <- html_children(pg)[2]
html_structure(p)
html_structure(pp)
library(RCurl)
library(XML)
library(rvest)
URL <- "http://burkinafaso.opendataforafrica.org/data/#topic=Agriculture"
pg <- read_html(URL)
p <- html_children(pg)[1]
pp <- html_children(pg)[2]
html_structure(p)
html_structure(pp)
例如,我尝试将此代码用于标签中的链接。但是我没有得到不同的下载链接。
URL <- "http://burkinafaso.opendataforafrica.org/data/#topic=Agriculture"
pg <- read_html(URL)
all.url <- html_attr(html_nodes(pg, "a"), "href")
all.url <- as.data.frame(all.url)
正如我所期望的那样,对于每一项表格列表和下载链接。例如:
公共(public)援助 (7):
标签链接
Aide extérieure par secteur de 1995 à 2006 (en millions de FCFA) 下载链接Aide extérieure par type (en millions de FCFA) 下载链接
请帮助我。
最佳答案
网络流量和 API 调用:
所以,如果你开始,例如,
http://burkinafaso.opendataforafrica.org/data/#menu=topic
您可以看到所有顶级链接的列表及其数据集的计数。如果我们单击 Aide Publique (7)
,我们将看到 7 个部分,如果您单击其中任何一个,则会向您显示 Select dataset
。
如果您在第一次点击时监控网络流量,您将看到为检索 Aide Publique (7)
数据而发出的 API POST 请求:
如果我们进一步检查请求,我们可以观察到 url 中的查询字符串参数和请求负载:
参数基本上是一些关于我们的信息,我们可能会删除;对有效载荷进行的一些实验表明,如果我们排除有效载荷,我们实际上会得到所有主题,而不仅仅是 Aide Publique (7)
。
API 响应:
现在,响应是 json 并且是一个数组,但在 R 中这意味着一个列表。以列表中某一项的一部分为例:
该信息与实际数据集链接的比较,例如
点击 Select DataSet
产生结束 url
http://burkinafaso.opendataforafrica.org/nthpfqd/aide-ext%C3%A9rieure-par-secteur-de-1995-%C3%A0-2006-en-millions-de-fcfa
与列表项 1(json 的先前图像)的快速比较表明,如果我们考虑这个新的 url 已解码:
http://burkinafaso.opendataforafrica.org/nthpfqd/aide-extérieure-par-secteur-de-1995-à-2006-en-millions-de-fcfa
格式为:
'http://burkinafaso.opendataforafrica.org/{item["id"]}/{item["title"]}'
意思是,在 json 响应对象的循环中,我们可以通过将基本字符串与当前项目 id
和当前项目 title
连接来生成最终链接。我们还可以从当前项目 name
中提取标题。我们可以使用 purrr
和 map_df
处理循环和最终数据帧生成,并使用 httr
进行 POST。
R:
library(httr)
library(purrr)
r <- content(POST("http://burkinafaso.opendataforafrica.org/api/1.0/meta/dataset"))
df <- map_df(r, function(item) {
data.frame(title = item$name,
url = paste0("http://burkinafaso.opendataforafrica.org/", item$id,'/',item$title),
stringsAsFactors=FALSE)
})
View(df)
Py:
import requests
import pandas as pd
r = requests.post('http://burkinafaso.opendataforafrica.org/api/1.0/meta/dataset').json()
df = pd.DataFrame([(item['name'], f'http://burkinafaso.opendataforafrica.org/{item["id"]}/{item["title"]}') for item in r]
,columns = ['Title','Url'])
print(df)
关于javascript - 从 R 中使用 JavaScript 抓取页面的数据链接,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58028702/
如本answer所述,如果浏览器不支持 e,可以设置后备游标。 G。 光标:抓取;。我现在的问题是获取这些图像。在我的驱动器上本地搜索“.cur”只给了我系统光标,其中 grab.cur 和 grab
以下代码在计算机上运行以从 Instagram 帐户中抓取数据。当我尝试在 VPS 服务器上使用它时,我被重定向到 Instagram 登录页面,因此脚本不起作用。 为什么当我在电脑上或服务器上时,I
我在使用 Ruby 和 Mechanize 将 POST 查询传递到站点的网站上。访问站点的查询基于 firebug,如下所示 param.PrdNo=-1¶m.Type=Prop¶m
我正在尝试抓取一个具有多个页面结果的网站,例如“1、2、3、4、5...”。 每个分页号都是到另一个页面的链接,我需要抓取每个页面。 到目前为止,我想出了这个: while lien = page.l
我正在使用 HtmlAgilityPack 在 C# Asp.Net 中执行 Scraping,到目前为止,我在从多个 Web 执行 Scratch 时没有遇到问题,但是,尝试弹出以下代码时出现错误
如果我有一个 css 文件做这样的事情 #foo:after{content:"bar;} ,有没有办法用 javascript 获取 :after 的内容?获取父元素的内容只返回 #foo 元素的内
问题是这样的: 我有一个 Web 应用程序 - 一个经常更改的通知系统 - 在一系列本地计算机上运行。该应用程序每隔几秒刷新一次以显示新信息。计算机仅显示信息,没有键盘或任何输入设备。 问题是,如果与
我想制作一个程序来模拟用户浏览网站和点击链接。必须启用 Cookie 和 javascript。我已经在 python 中成功地做到了这一点,但我想把它写成一种可编译的语言(python ide 不会
我制作了这个小机器人,它通过搜索参数列表进行处理。它工作正常,直到页面上有几个结果: product_prices_euros 给出了一半为空的项目列表。因此,当我与 product_prices_c
我需要找到一个单词的匹配项,例如: 在网上找到所有单词“学习”https://www.georgetown.edu/(结果:4个字)(您可以看到它按CTRL + F并搜索) 我有我的 Python 代
有一个站点\资源提供一些一般统计信息以及搜索工具的界面。这种搜索操作成本高昂,因此我想限制频繁且连续(即自动)的搜索请求(来自人,而不是来自搜索引擎)。 我相信有很多现有的技术和框架可以执行一些情报抓
这并不是真正的抓取,我只是想在网页中找到类具有特定值的 URL。例如: 我想获取 href 值。关于如何做到这一点的任何想法?也许正则表达式?你能发布一些示例代码吗?我猜 html 抓取库,比如 B
我正在使用 scrapy。 我正在使用的网站具有无限滚动功能。 该网站有很多帖子,但我只抓取了 13 个。 如何抓取剩余的帖子? 这是我的代码: class exampleSpider(scrapy.
我正在尝试从这个 website 中抓取图像和新闻 url .我定义的标签是 root_tag=["div", {"class":"ngp_col ngp_col-bottom-gutter-2 ng
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭上个月。 Improve this ques
我在几个文件夹中有数千个 html 文件,我想从评论中提取数据并将其放入 csv 文件中。这将允许我为项目格式化和清理它。例如,我在这个文件夹中有 640 个 html 文件: D:\My Web S
我在编写用于抓取网页的实用程序时遇到了一个问题。 我正在发送 POST 请求来检索数据,我模仿我正在抓取的网络行为(根据使用 fiddler 收集的信息)。 我已经能够自动替换我的 POST 中除 V
对于 Googlebot 的 AJAX 抓取,我在我的网站中使用“_escaped_fragment_”参数。 现在我查看了 Yandex 对我网站的搜索结果。 我看到搜索结果中不存在 AJAX 响应
我正在尝试抓取网站的所有结果页面,它可以工作,但有时脚本会停止并显示此错误: 502 => Net::HTTPBadGateway for https://website.com/id/12/ --
我是一个学习网络爬虫的初学者,由于某种原因我无法爬网this地点。当我在 Chrome 中检查它时,代码看起来不错,但是当我用 BeautifulSoup 阅读它时,它不再是可刮的。汤提到“谷歌分析”
我是一名优秀的程序员,十分优秀!