不能 read_xml 或 xmlParse，但手动下载时 XML 没问题，可以由 R 加载

Question

我正试图在 R:

中阅读这个 xml

url <- 'https://fnet.bmfbovespa.com.br/fnet/publico/downloadDocumento?id=155020&cvm=true&#toolbar=0'
xml <- url %>% httr::GET(httr::config(ssl_verifypeer = FALSE, ssl_verifyhost = FALSE)) %>% read_xml()

这个输出是：

Error in read_xml.raw(content, encoding = encoding, base_url = if (nzchar(base_url)) base_url else x$url,  : 
  Start tag expected, '<' not found [4]

当我尝试走 getURL 的路线时：

xdata <- getURL(url,ssl.verifypeer = FALSE) 
doc <- XML::xmlTreeParse(xdata)

输出为：

Error: XML content does not seem to be XML:

然后试试这个：

curl::handle_setopt(h, ssl_verifyhost = 0, ssl_verifypeer=0) curl::curl_download(url=url, destfile = "file_test.html", handle = h)

只是将一个大字符串下载到文件中。 xmlTreeParse.

无法读取为 XML 的相同内容

所有这些似乎都指向一个格式错误的 XML（我相信）。但是，当我手动下载 XML 时，文件可以被 read_xml() 读取，没问题。我可以在我的浏览器上将其可视化，就像任何其他 XML.

我该如何解决这个问题？这是爬虫中的众多网址之一，所有网址都有相同的问题。

Answer 1

网站好像用了base64加密，我不是很熟悉

url <- 'https://fnet.bmfbovespa.com.br/fnet/publico/downloadDocumento?id=155020&cvm=true&#toolbar=0'

xml <- url %>% 
 httr::GET(httr::config(ssl_verifypeer = FALSE, ssl_verifyhost = FALSE)) %>% 
 httr::content(as="text") %>%
 jsonlite::base64_dec() %>%
 rawToChar() %>%
 read_xml()

您可能需要安装 jsonlite，但这似乎对我有用。

不能 read_xml 或 xmlParse，但手动下载时 XML 没问题，可以由 R 加载

Can't read_xml or xmlParse, but when downloading manually the XML is fine and can be loaded by R

r

xml

xml2

readxml