R語言網絡數據抓取難題的示例分析

這篇文章給大家介紹R語言網絡數據抓取難題的示例分析，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

單純從數據抓取的邏輯來講（不談那些工程上的可用框架），個人覺得R語言中現有的請求庫中，RCurl和httr完全可以對標Python中的urllib和reuqests(當然py中在錯誤處理和解析框架上顯得更為專業！)。

我們經常使用的網絡數據抓取需求，無非兩種：

• 要么偽造瀏覽器請求
  要么驅動瀏覽器請求

對于偽造瀏覽器請求而言，雖然請求定義里有諸多類型，但是實際上爬蟲用到的無非就是GET請求和POST請求。

而驅動瀏覽器就幾乎沒有什么門檻了，所見即所得，R語言中的RSelenium/Rwebdriver和Python中的Selenium都可以完成（配置比較麻煩一些）。

實習僧招聘網爬蟲數據可視化

GET請求的參數允許寫在URL里，但是通常參數較多的情況下，直接拼url顯得非常不優雅，而RCurl，httr都提供了可選的GET請求提交方式。在RCurl里，getURL通常用來完成不含參數的GET請求（或者參數直接拼在了URL里），而getForm()函數通常用來完成含有參數的GET請求。（參數寫在param參數體中）。

左右用R右手Pyhon系列——趣直播課程抓取實戰

R語言爬蟲實戰——知乎live課程數據爬取實戰

httr中的GET函數同樣完成GET請求，query參數作為指定的請求參數提交方式（同樣可以選擇寫在URL里）。

針對POST請求而言，作為API的普遍請求方式（也有一部分API是通過GET請求發送的），POST請求灰常復雜，它的查詢參數必須含在請求體(body)中，而且參數發送前需要做指定的編碼方式（就是request header中的content-type）。

長見的編碼方式有4種：

• application/x-www-form-urlencoded

• application/json

• multipart/form-data

• text/xml

如果你想深入理解這四種方式，可以參考以下兩篇文章，或者去看專業的http協議與瀏覽器相關內容。

http://www.cnblogs.com/111testing/p/6079565.html
https://bbs.125.la/thread-13743350-1-1.html

以上四種參數，我只實踐過前兩種，第三種需要上傳文件，暫未遇到，第四種很少見。在RCurl包的POST函數中，只針對第一種、第三種做了顯式的參數聲明
style=httppost、post，但是第二種、第四種style參數中沒有列舉到。而httr在參數處理上顯得非常友好，直接指定了以上常見的四種方式：

左手用R右手Python系列——模擬登陸教務系統

R語言爬蟲實戰——網易云課堂數據分析課程板塊數據爬取

要知道如今web前端中，使用json作為數據包返回的api是在是太普遍了，這個問題一直困擾著我，甚至一度認為RCurl包的POST方法不支持上傳json參數（可是RCurl是直接對接liburl這個通用的爬蟲C語言庫的，urllib也是，httr底層是用了RCurl的，httr能做到的RCurl自然不在話下）。

一定是作者把上傳json參數的方式隱藏了起來，或者是還沒有來得及封裝成高級函數，放在了底層，否則解釋不通。直到今天，瀏覽了linkedlin上面的一個大神寫的小品文，突然靈光乍現，趕緊一試，果然成功了！驗證了之前的想法，可能RCurl剛出道的時候，json還沒有成主流吧，所以json傳參沒有明顯的放在style這個POST方法的參數里。而httr包則很討巧的把所有POST參數的編碼方式都聲明了（哈德利大神就是快人一步，造福人類）。

http://www.linkedin.com/pulse/web-data-acquisition-structure-rcurl-request-part-2-roberto-palloni

以下是寫作本篇推送的目地，把利用RCurl包構造POST請求，以及提交json字符串參數的案例及代碼分享給大家。RCurl庫與httr相比，偏底層，函數多且繁瑣，httr更靈巧、輕便、簡潔。這種關系，像極了Python中的urllib和request。

構建報頭和查詢參數：

library("RCurl")
library("jsonlite")
library("magrittr")
headers<-c(  "User-Agent"="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36",  "Content-Type"="application/json;charset=UTF-8",  "Origin"="http://study.163.com",  "edu-script-token"="3de0ac05e45a4c9693f2a3605fbfaede")
Cookies<- 'EDUWEBDEVICE=0e88ed7a9b8b4fc4bfc615e251aa8863; _ntes_nnid=833311d30eccaa9f26425affae2cfef1,1509630974190; _ntes_nuid=833311d30eccaa9f26425affae2cfef1; STUDY_CP_ENTRANCE_CLOSE=1; STUDY_MIND_TELBIND_CLOSE=1; promTips=1; NTESSTUDYSI=3de0ac05e45a4c9693f2a3605fbfaede; STUDY_INFO=oP4xHuM9V1uY_TRID1ZzHOm5mkJY|6|12769628|1510452481337; STUDY_SESS="ryW1kbDYUPDpeexx7xnRK3cGH1nUulhhGJ9D1qIzrgCuSgHl96KRz9xVAwMO6jui9A7L4BJ6hUaaPXVtLf+pWBMHJEw6UtuJtXPjl2yhevq6wVYQtAaJ+N+2maA3kITUrUnNZE+nE0TmYBoQFSEgOKEjUu22o4FQQjD/GeyPrqJsX8TS4muhOF/kd9duGihHABYarJu/gx1XyYYhTqa89g=="; STUDY_PERSIST="8e2epkzTa+8Xy6agY2FPkUzktd9F+8CZ1rZxShzQSSRJ6RbRK2pSzoTqPic7hOB7dYsCtyfpIAD9Ue4S1oRerMBML+fd8iksmANh7THsUTBAXY6WM4kHXJFcNuERKuWuDeHOMilu1y+7T3/a7Jav0QPXrTaWx6YerFKJia2+3rEucY6CQ9waCFR9bhYObYkE6X9kJ71ahCvMYtkr9eXcE6s1rFdKOIgMEtQwxl1Jb8oli9XIBhsosLWHLIUZIfzGwHfmjuVpkfHAfiCIxUJfLiv82sP6EP+Q6n6O/pIeGx0="; STUDY_MIND_TELBIND=1; NETEASE_WDA_UID=12769628#|#1451204764916; NTES_STUDY_YUNXIN_ACCID=s-12769628; NTES_STUDY_YUNXIN_TOKEN=da46d92b7a9504736f2534ed1d366296; STUDY_NOT_SHOW_PROMOTION_WIN=true; utm="eyJjIjoiIiwiY3QiOiIiLCJpIjoiIiwibSI6IiIsInMiOiIiLCJ0IjoiIn0=|aHR0cDovL3N0dWR5LjE2My5jb20vY291cnNlcy1zZWFyY2g/a2V5d29yZD0lRTUlODglOTglRTUlODclQUY="; __utma=129633230.621520113.1509630968.1510452483.1510452504.13; __utmb=129633230.12.9.1510455608393; __utmc=129633230; __utmz=129633230.1509630968.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none)'headers['Cookie']<-Cookies
Payloads=list(
        "pageIndex"=1,
        "pageSize"=50,
        "relativeOffset"=0,
        "frontCategoryId"="400000000158033", 
       "searchTimeType"=-1,
        "orderType"=0,
        "priceType"=-1,
        "activityId"=0
        )

構建自動抓取函數：

GetCourses<-function(url,header=headers,Payload=Payloads){
    fullinfo <- data.frame()
    d <- debugGatherer()
    handle <- getCurlHandle(debugfunction=d$update,followlocation=TRUE,cookiefile="",verbose = TRUE)
    for (i in 1:17){
        Payload[['pageIndex']]=i
        Payload[['relativeOffset']]=50*i-50
        tryCatch({
        content  <- postForm(url,.opts=list(postfields=toJSON(Payload,auto_unbox=TRUE),httpheader=header),.encoding="utf-8",curl=handle)
        ###通過將post需求提交的參數編碼為json字串，封裝在postForm函數的配置參數.opts中，完成json查詢參數的傳遞！，
###竟然不寫在style里，搞得人暈頭轉向的！注意使用toJSON序列化的時候，auto_unbox要設置為TRUE，否則默認為TRUE，單值都會被包括成列表！
        response <- content  %>% fromJSON() %>% `[[`(3) %>% `[[`(2)
        fullinfo <- response %>% rbind(fullinfo,.)  
        cat(sprintf("第【%d】頁已抓取完畢！",i),sep = "\n")
        },error = function(e){
        cat(sprintf("第【%d】頁抓取失敗!",i),sep = "\n")
        })

        Sys.sleep(runif(1))
    }
    cat("all page is OK!!!")
    return (fullinfo)
}

#運行函數
url<-'http://study.163.com/p/search/studycourse.json'
myresult<- GetCourses(url)

#預覽數據
DT::datatable(myresult)

至此，R語言中的兩大數據抓取神器（請求庫），RCurl+httr，針對主流的GET請求、POST請求（常用的）都已經完成探索和案例輸出。

備注：以上header中的cookie是防止請求被瀏覽器屏蔽，edu-script-token參數是進程的token，你可以理解為類似秘鑰的東西，所以如果想要實踐本篇內容，以上兩個參數需要你從自己的Chrome中提取，直接運行本篇代碼估計不大可能出數據！

關于R語言網絡數據抓取難題的示例分析就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。