使用 rvest 和 V8 进行 R Web 抓取

Question

我正在尝试使用 R 来抓取 https://www.rotowire.com/football/player.php?id=4307 上的各种表格然而，由于他们使用 javascript，我遇到了一些问题。我已经安装了 rvest 和 V8 库并试图找到合适的节点，但是我很确定我没有正确指定合适的表节点。我咨询了网站所有者，他们同意人们抓取他们的数据。

V8 网页包含一段用于抓取电子邮件地址的示例代码。我试图修改该代码以适合我的目的。

#Loading both the required libraries
library(rvest)
library(V8)

link <- 'https://www.rotowire.com/football/player.php?id=4307'
emailjs <- read_html(link) %>% html_nodes('div') %>% html_nodes('basicStats') %>% html_text()

ct <- v8()
read_html(ct$eval(gsub('document.write','',emailjs))) %>% 
  html_text()

没有成功

我也试过:

emailjs <- read_html(link) %>% html_nodes('div') %>% html_nodes('script') %>% html_text()
ct <- v8()
read_html(ct$eval(gsub('document.write','',emailjs))) %>% 
   html_text()

还有:

emailjs <- read_html(link) %>% html_nodes('div') %>% html_nodes('basicStats') %>% html_text()

第一段代码失败是因为我错误地指定了节点，或者至少我认为这是原因。

第二组代码会撤回所有内容，但会出现以下错误:

Error in context_eval(join(src), private$context) : 
  ReferenceError: window is not defined

如果您查看表格开头的 HTML 源代码:

>div id=“basicStats” class=“”)

第 289 行

html:

            <div class="p-page__middle-box">

<div id="basicStats-header" class="p-page__section-head is-stats">NFL Stats</div>
<div id="basicStats">
    <div class="table-load"><div class="table-load__inner"><div class="loader"></div>Loading NFL Stats...</div></div>    </div>
    <script async>
document.addEventListener('rw:pp-data-available', function(e){
    var defaultData = { 'basic': { 'body': [], 'footer': [] }};
    var data = (e.detail) ? e.detail : defaultData;
    var tableID = "basicStats";
    var playerID = "4307";
    var primaryStatCat = "Pass";

    var stats = {
    'pass': [
        { id: 'passComp', startOfGroup: true, header: [{ text: 'Passing', colspan: 6, }, 'COMP'], },
        { id: 'passAtt', header: ['', 'ATT'], },
        { id: 'passPct', header: ['', 'PCT'], },
        { id: 'passYds', header: ['', 'YDS'], },
        { id: 'passTD', header: ['', 'TD'], },
        { id: 'passInt', header: ['', 'INT'], },
    ],

Answer 1

如果您使用与页面更新内容相同的端点，它就可用。它返回包含所有信息的 json。

library(httr)
r <-GET("https://www.rotowire.com/football/ajax/player-page-data.php?id=4307&pos=QB&team=GB&opp=")
json <- content(r,as="parsed")

用 json 做你想做的。探索 json here或将 URL 粘贴到 FireFox 浏览器中。

---

您可以在网络选项卡中找到该 url