使用 rvest 抓取：出现错误 HTTP 502

Question

我有一个 R 脚本，它使用 rvest 从 accuweather 中提取一些数据。 accuweather URL 中包含与城市唯一对应的 ID。我正在尝试提取给定范围内的 ID 和相关的城市名称。 rvest 本身非常适合单个 ID，但是当我遍历 for 循环时，它最终会返回此错误 - “Open.connection(x, "rb") 中的错误：HTTP 错误 502。”

我怀疑这个错误是由于网站阻止了我。我该如何解决这个问题？我想从相当大的范围（10,000 个 ID）中抓取，并且在循环约 500 次迭代后它一直给我这个错误。我也尝试了closeAllConnections() 和Sys.sleep() 但无济于事。我真的很感激这个问题的任何帮助。

编辑：已解决。我在这里通过这个线程找到了解决方法：Use tryCatch skip to next value of loop upon error?。我使用tryCatch() 和error = function(e) e 作为参数，它抑制了错误消息并允许循环继续而不会中断。希望这对遇到类似问题的其他人有所帮助。

library(rvest)
library(httr)

# create matrix to store IDs and Cities
# each ID corresponds to a single city 
id_mat<- matrix(0, ncol = 2, nrow = 10001 )

# initialize index for matrix row  
j = 1

for (i in 300000:310000){
  z <- as.character(i)
# pull city name from website 
  accu <- read_html(paste("https://www.accuweather.com/en/us/new-york-ny/10007/june-weather/", z, sep = ""))
  citystate <- accu %>% html_nodes('h1') %>% html_text()
# store values
  id_mat[j,1] = i
  id_mat[j,2] = citystate
# increment by 1 
  i = i + 1 
  j = j + 1
    # close connection after 200 pulls, wait 5 mins and loop again
    if (i %% 200 == 0) {
        closeAllConnections()
        Sys.sleep(300)
        next 
  } else {
        # sleep for 1 or 2 seconds every loop
        Sys.sleep(sample(2,1))
  }
}

Answer 1

问题似乎来自科学记数法。

How to disable scientific notation?

我稍微更改了您的代码，现在它似乎可以工作了：

library(rvest)
library(httr)

id_mat<- matrix(0, ncol = 2, nrow = 10001 )

readUrl <- function(url) {
out <- tryCatch(
{   
  download.file(url, destfile = "scrapedpage.html", quiet=TRUE)
  return(1)
},
error=function(cond) {

  return(0)
},
warning=function(cond) {
  return(0)
}
)    
return(out)
}

j = 1

options(scipen = 999)

for (i in 300000:310000){
  z <- as.character(i)
# pull city name from website 
  url <- paste("https://www.accuweather.com/en/us/new-york-ny/10007/june-weather/", z, sep = "")
  if( readUrl(url)==1) {
  download.file(url, destfile = "scrapedpage.html", quiet=TRUE)
  accu <- read_html("scrapedpage.html")
  citystate <- accu %>% html_nodes('h1') %>% html_text()
# store values
  id_mat[j,1] = i
  id_mat[j,2] = citystate
# increment by 1 
  i = i + 1 
  j = j + 1
    # close connection after 200 pulls, wait 5 mins and loop again
    if (i %% 200 == 0) {
        closeAllConnections()
        Sys.sleep(300)
        next 
  } else {
        # sleep for 1 or 2 seconds every loop
        Sys.sleep(sample(2,1))
  }
   } else {er <- 1}
  }