Rcrawler - 如何爬取受帐户/密码保护的网站？

Question

我正在尝试抓取和抓取网站的表格。我有一个网站帐户，我发现 Rcrawl 可以帮助我根据特定关键字等获取表格的部分内容。问题是在 GitHub 页面上没有提及如何使用帐户抓取网站/密码保护。

登录示例如下：

login <- list(username="username", password="password",)

你知道 Rcrawler 是否有这个功能吗？例如：

Rcrawler(Website = "http://www.glofile.com" +
list (username = "username", password = "password" + no_cores = 4, no_conn = 4, ExtractCSSPat = c(".entry-title",".entry-content"), PatternsNames = c("Title","Content"))

我确信我上面的代码是错误的，但我希望它能让您了解我想要做什么。

Answer 1

要在 R 中抓取或抓取受密码保护的网站，更准确地说是基于 HTML 的身份验证n，您需要使用 Web 驱动程序来刺激登录会话，幸运的是，这是可能的，因为 Rcrawler v0.1.9，它实现了 phantomjs 网络驱动程序（浏览器，但没有图形界面）。

在下面的例子中会尝试登录一个博客网站

 library(Rcrawler)

下载并安装网络驱动

install_browser()

运行浏览器会话

br<- run_browser()

如果您遇到错误，请禁用您的防病毒软件或在系统设置中允许该程序

运行自动登录操作，如果成功则返回登录会话

 br<-LoginSession(Browser = br, LoginURL = 'http://glofile.com/wp-login.php'
                 LoginCredentials = c('demo','rc@pass@r'),
                 cssLoginFields =c('#user_login', '#user_pass'),
                cssLoginButton ='#wp-submit' )

最后，如果您已经知道要抓取/下载的私人页面，请使用

DATA <- ContentScraper(... , browser =br)

或者，简单地抓取/抓取/下载所有页面

Rcrawler(Website = "http://glofile.com/",no_cores = 1 ,no_conn = 1,LoggedSession = br ,...)

不要使用多个并行的 no_cores/no_conn，因为许多网站会拒绝一个用户的多个会话。 通过设置 Obeyrobots = TRUE 保持合法并尊重 robots.txt

您访问浏览器功能，例如：

 br$session$getUrl()
 br$session$getTitle()
 br$session$takeScreenshot(file = "image.png")