硒 |获取 youtube 页面源

Question

为什么 youtube.com 的页面源不可抓取？

我尝试了以下方法（使用 phantomjs 以及 chrome 和 selenium 服务器）

library(RSelenium)
pJS <- phantom(pjs_cmd = ...)
Sys.sleep(5) # give the binary a moment
remDr <- remoteDriver(browserName = 'phantomjs')
remDr$open()
remDr$navigate("https://www.youtube.com/")
remDr$getTitle()[[1]] # [1] "YouTube"
remDr$getPageSource()

Returns:

Error in fromJSON(content, handler, default.size, depth, allowComments,  : 
  invalid JSON input

Answer 1

编码问题。现在使用开发版本，直到下一个版本发布到 CRAN：

devtools::install_github("ropensci/RSelenium")

Answer 2

我同意问题很可能出在编码上。

例如，nasa.gov网站似乎只出现在与美俄space合作相关的主题页面上（这表明这是由于网页内容中的西里尔字符引起的）。

我通过使用已弃用的 Relenium 解决了问题，其中 RSelenium 失败了。为了让 Relenium 运行在 Ubuntu 16.04 上顺利运行，我必须安装 Firefox 25.0 并以防止任何更新的方式配置它。安装过程中的另一个问题是正确安装 rJava，这可能会由于缺少具有 Java 库正确路径的环境变量而失败。

系统配置如下：

R version 3.3.1 (2016-06-21)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 16.04.1 LTS

relenium_0.3.0; seleniumJars_2.41.0; rJava_0.9-8; RSelenium_1.3.5

下面是一个可以使用 Relenium 抓取但不能使用 RSelenium 发行版抓取的页面示例：

link = "http://www.nasa.gov/mission_pages/station/expeditions/expedition14/index.html"

RSelenium 解决方案失败（使用 34.0.5 或 25.0 版本的 Firefox，无论）：

startServer()
remDr <- remoteDriver()
remDr$open()
remDr$navigate(link)
doc = unlist(remDr$getPageSource())

结果：“fromJSON(content, handler, default.size, depth, allowComments, 中出现错误：无效 JSON 输入

虽然 Relenium 可以：

 relenium_browser <- firefoxClass$new()
 relenium_browser$get(link)
 doc = unlist(relenium_browser$getPageSource())
 doc = read_html(doc)

硒 |获取 youtube 页面源

rselenium | get youtube page source

r

selenium

youtube

selenium-chromedriver

rselenium