无法在 r 中使用 phantomjs 抓取多个页面

Question

我正在尝试使用由 RSelenium 控制的 phantomjs 从https://www.washoecounty.us/assessor/cama/?command=assessment_data&parid=07101001 中使用 javascript 生成多个宗地的历史财产价值的县评估员数据。 url 中的“paraid”是 9 位数的包裹号码。我有一个数据框，其中包含我感兴趣的包裹号码列表（总共几百个），但一直试图让代码在其中的一小部分上工作：

parcel_nums
[1] "00905101" "00905102" "00905103" "00905104" "00905105" 
[6] "00905106" "00905107" "00905108" "00905201" "00905202"

我需要为每个包裹在页面上生成的表格中抓取数据并保存。我选择将页面写入文件“output.htm”，然后解析该文件。我的代码如下：

require(plyr)
require(rvest)
require(RSelenium)
require(tidyr)
require(dplyr)

parcel_nums <- prop_attr$APN[1:10]  #Vector of parcel numbers
pJS <- phantom()
remDr <- remoteDriver(browserName = "phantomjs")
remDr$open()

result <- remDr$phantomExecute("var page = this;
                            var fs = require(\"fs\");
                            page.onLoadFinished = function(status) {
                            var file = fs.open(\"output.htm\", \"w\");
                            file.write(page.content);
                            file.close();
                            };")

for (i in 1:length(parcel_nums)){
    url <- paste("https://www.washoecounty.us/assessor/cama/?command=assessment_data&parid=", 
        parcel_nums[i], sep = "")
    Sys.sleep(5)

    emDr$navigate(url)

    dat <- read_html("output.htm", encoding = "UTF-8") %>% 
        html_nodes("table") %>% 
        html_table(, header = T)
    df <- data.frame(dat)

    #assign parcel number to panel
    df$apn <- parcel_nums[i]
    #on first iteratation initialize final data frame, on sebsequent iterations append the final data frame
    ifelse(i == 1, parcel_data <- df, parcel_data <- rbind(parcel_data, df))
}
remDr$close
pJS$stop()

这对于循环的一到两次迭代将非常有效，但它突然停止保存由 javascript 生成的数据并产生错误：

 Error in `$<-.data.frame`(`*tmp*`, "apn", value = "00905105") : 
 replacement has 1 row, data has 0 

这是由于解析器没有在输出文件中找到表，因为它没有被保留。我不确定我选择的实现是否存在问题，或者是否存在导致问题的特定站点的某些特质。我不熟悉 JavaScript，所以使用的代码 sn-p 取自我找到的示例。感谢您的帮助。

以下答案完美无缺。我还将 Sys.sleep(5) 移到 $navigate 之后，以允许页面有时间加载 javascript。循环现在正在执行完成。

Answer 1

require(plyr)
require(rvest)
require(RSelenium)
require(tidyr)
require(dplyr)

parcel_nums <- prop_attr$APN[1:10]  #Vector of parcel numbers
#pJS <- phantom()
remDr <- remoteDriver()
remDr$open()

# #result <- remDr$executeScript("var page = this;
#                                var fs = require(\"fs\");
#                                page.onLoadFinished = function(status) {
#                                var file = fs.open(\"output.htm\", \"w\");
#                                file.write(page.content);
#                                file.close();
#                                };")
#length(parcel_nums)
for (i in 1:length(parcel_nums)){
  url <- paste("https://www.washoecounty.us/assessor/cama/?command=assessment_data&parid=", 
               parcel_nums[i], sep = "")
  Sys.sleep(5)

  remDr$navigate(url)
  doc <- htmlParse(remDr$getPageSource()[[1]])
  doc_t<-readHTMLTable(doc,header = TRUE)$`NULL`
  df<-data.frame(doc_t)

  #assign parcel number to panel
  df$apn <- parcel_nums[i]
  #on first iteratation initialize final data frame, on sebsequent iterations append the final data frame
  ifelse(i == 1, parcel_data <- df, parcel_data <- rbind(parcel_data, df))
}
remDr$close

这给了我一个解决方案。这也应该与 phantomJS 一起使用。我请求你测试和回复。

Answer 2

我花了一整天的时间来解决类似的问题。所以我分享我的学习，以帮助他人节省时间和精力..

我想我们需要了解通过远程驱动程序打开、导航和其他浏览操作需要时间来完成。 因此，我们必须等待，然后才能尝试在我们希望抓取的页面上阅读或执行任何操作。

当我在remDr$navigate(url) 通话后介绍Sys.sleep(5) 时，我的问题得到了解决。

似乎更简洁的解决方案包括插入remDr$setTimeout(type = "page load", milliseconds = 10000)，正如how to check if page finished loading in RSelenium 所建议的那样，但尚未对其进行测试。