迭代 rvest scrape 函数给出：“open.connection(x, “rb”) 中的错误：已达到超时”

Question

我正在使用“rvest”包抓取this website。当我多次迭代我的函数时，我得到“open.connection（x，“rb”）中的错误：达到超时”。我已经搜索过类似的问题，但答案似乎会导致死胡同。我怀疑它是服务器端的，并且该网站对我可以访问该页面的次数有内置限制。如何研究这个假设？

代码：我有指向底层网页的链接，并想用从相关网页中提取的信息构建一个数据框。我已经稍微简化了我的抓取功能，因为使用更简单的功能仍然会出现问题：

scrape_test = function(link) {

  slit <-  str_split(link, "/") %>%
    unlist()
  id <- slit[5]
  sem <- slit[6]

  name <- link %>% 
    read_html(encoding = "UTF-8") %>%
    html_nodes("h2") %>%
    html_text() %>%
    str_replace_all("\r\n", "") %>%
    str_trim()

  return(data.frame(id, sem, name))
}

我使用 purrr-package map_df() 来迭代函数：

test.data = links %>%
  map_df(scrape_test)

现在，如果我只使用 50 个链接迭代函数，我不会收到任何错误。但是当我增加链接数量时，我遇到了前面提到的错误。此外，我收到以下警告：

• “在 bind_rows_(x, .id) 中：不等因子级别：强制转换为字符”
• “关闭未使用的连接 4 (link)”

编辑：以下创建链接对象的代码可用于重现我的结果：

links <- c(rep("http://karakterstatistik.stads.ku.dk/Histogram/NMAK13032E/Winter-2013/B2", 100))

Answer 1

对于大型抓取任务，我通常会执行一个 for 循环，这有助于排除故障。为您的输出创建一个空列表：

d <- vector("list", length(links))

在这里我做了一个 for 循环，带有一个 tryCatch 块，这样如果输出是错误的，我们等待几秒钟再试一次。我们还包括一个counter，如果在五次尝试后仍然出现错误，它会转到下一个链接。此外，我们还有if (!(links[i] %in% names(d)))，因此如果我们必须中断循环，我们可以在重新启动循环时跳过我们已经抓取的链接。

for (i in seq_along(links)) {
  if (!(links[i] %in% names(d))) {
    cat(paste("Doing", links[i], "..."))
    ok <- FALSE
    counter <- 0
    while (ok == FALSE & counter <= 5) {
      counter <- counter + 1
      out <- tryCatch({                  
                  scrape_test(links[i])
                },
                error = function(e) {
                  Sys.sleep(2)
                  e
                }
              )
      if ("error" %in% class(out)) {
        cat(".")
      } else {
        ok <- TRUE
        cat(" Done.")
      }
    }
    cat("\n")
    d[[i]] <- out
    names(d)[i] <- links[i]
  }
}