我们如何使用 R 中的 Rcrawler 从子域中提取信息？

Question

我想使用 main URL 从子域中提取网页内容。

我试过使用 Rcrawler

library(Rcrawler)

Rcrawler(Website = "http://www.xbyte-technolabs.com/", no_cores = 4, no_conn = 4, ExtractCSSPat = c(".address"))

在运行这段代码之后，我得到了 INDEX 默认变量，我们可以看到所有 URL 的网站。有一个URL“http://xbyte-technolabs.com/contact_us.php”我想从中提取联系方式。

现在有人可以指导我如何使用 R 中的 Rcrawler 从主要 URL“http://xbyte-technolabs.com/”转到这个特定的 URL

Answer 1

library(Rcrawler)

Rcrawler("http://www.xbyte-technolabs.com/",no_cores = 4,no_conn = 4)

for (i in length(INDEX)) {
  for (j in nrow(INDEX)) {

    Rcrawler(Website = INDEX[[i]][j], no_cores = 4, no_conn = 4, ExtractCSSPat = c(".address"))

  }

}
#Rcrawler(Website = INDEX[[i]][23], no_cores = 4, no_conn = 4, ExtractCSSPat = c(".address"))
class(DATA)
head(DATA)

ad <- DATA[[1]]
ad <- as.character(ad)
cat(ad)

抱歉，我认为这段代码有问题任何人都收到以下错误：

strsplit(gsub("http://|https://|www\.", "", 网站), "/") 出错[[c(1, : 下标越界

Answer 2

library(Rcrawler)
Rcrawler(Website = "http://www.xbyte-technolabs.com/", no_cores = 1, no_conn = 1, ExtractCSSPat = c(".address"))

pageid <- as.numeric(INDEX$Id[INDEX$Url == 'http://xbyte-technolabs.com/contact_us.php'])
DATA[pageid]

根据?Rcrawler，Rcrawler创建了两个全局变量

INDEX: A data frame in global environement representing the generic URL index,including the list of fetched URLs and page details (contenttype,HTTP state, number of out-links and in-links, encoding type, and level), and

DATA: A list of lists in global environement holding scraped contents.

INDEX中的Id变量，对应DATA中的列表元素。上面的代码片段查找与您感兴趣的 url 对应的 Id。

旁注：既然您知道要查找的 URL，那么爬遍整个网站似乎有点矫枉过正。

我们如何使用 R 中的 Rcrawler 从子域中提取信息？

How can we extract information from subdomain using Rcrawler in R?

r

web-scraping

rcrawler