R語(yǔ)言網(wǎng)絡(luò)數(shù)據(jù)抓取難題的示例分析

這篇文章給大家介紹R語(yǔ)言網(wǎng)絡(luò)數(shù)據(jù)抓取難題的示例分析，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。

單純從數(shù)據(jù)抓取的邏輯來(lái)講（不談那些工程上的可用框架），個(gè)人覺得R語(yǔ)言中現(xiàn)有的請(qǐng)求庫(kù)中，RCurl和httr完全可以對(duì)標(biāo)Python中的urllib和reuqests(當(dāng)然py中在錯(cuò)誤處理和解析框架上顯得更為專業(yè)！)。

我們經(jīng)常使用的網(wǎng)絡(luò)數(shù)據(jù)抓取需求，無(wú)非兩種：

• 要么偽造瀏覽器請(qǐng)求
  要么驅(qū)動(dòng)瀏覽器請(qǐng)求

對(duì)于偽造瀏覽器請(qǐng)求而言，雖然請(qǐng)求定義里有諸多類型，但是實(shí)際上爬蟲用到的無(wú)非就是GET請(qǐng)求和POST請(qǐng)求。

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

實(shí)習(xí)僧招聘網(wǎng)爬蟲數(shù)據(jù)可視化

GET請(qǐng)求的參數(shù)允許寫在URL里，但是通常參數(shù)較多的情況下，直接拼url顯得非常不優(yōu)雅，而RCurl，httr都提供了可選的GET請(qǐng)求提交方式。在RCurl里，getURL通常用來(lái)完成不含參數(shù)的GET請(qǐng)求（或者參數(shù)直接拼在了URL里），而getForm()函數(shù)通常用來(lái)完成含有參數(shù)的GET請(qǐng)求。（參數(shù)寫在param參數(shù)體中）。

左右用R右手Pyhon系列——趣直播課程抓取實(shí)戰(zhàn)

R語(yǔ)言爬蟲實(shí)戰(zhàn)——知乎live課程數(shù)據(jù)爬取實(shí)戰(zhàn)

httr中的GET函數(shù)同樣完成GET請(qǐng)求，query參數(shù)作為指定的請(qǐng)求參數(shù)提交方式（同樣可以選擇寫在URL里）。

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

長(zhǎng)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(yè)的http協(xié)議與瀏覽器相關(guān)內(nèi)容。

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

以上四種參數(shù)，我只實(shí)踐過(guò)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(shù)中，只針對(duì)第一種、第三種做了顯式的參數(shù)聲明
style=httppost、post，但是第二種、第四種style參數(shù)中沒有列舉到。而httr在參數(shù)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(wù)系統(tǒng)

R語(yǔ)言爬蟲實(shí)戰(zhàn)——網(wǎng)易云課堂數(shù)據(jù)分析課程板塊數(shù)據(jù)爬取

要知道如今web前端中，使用json作為數(shù)據(jù)包返回的api是在是太普遍了，這個(gè)問(wèn)題一直困擾著我，甚至一度認(rèn)為RCurl包的POST方法不支持上傳json參數(shù)（可是RCurl是直接對(duì)接liburl這個(gè)通用的爬蟲C語(yǔ)言庫(kù)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(shù)的方式隱藏了起來(lái)，或者是還沒有來(lái)得及封裝成高級(jí)函數(shù)，放在了底層，否則解釋不通。直到今天，瀏覽了linkedlin上面的一個(gè)大神寫的小品文，突然靈光乍現(xiàn)，趕緊一試，果然成功了！驗(yàn)證了之前的想法，可能RCurl剛出道的時(shí)候，json還沒有成主流吧，所以json傳參沒有明顯的放在style這個(gè)POST方法的參數(shù)里。而httr包則很討巧的把所有POST參數(shù)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(gòu)造POST請(qǐng)求，以及提交json字符串參數(shù)的案例及代碼分享給大家。RCurl庫(kù)與httr相比，偏底層，函數(shù)多且繁瑣，httr更靈巧、輕便、簡(jiǎn)潔。這種關(guān)系，像極了Python中的urllib和request。

構(gòu)建報(bào)頭和查詢參數(shù)：

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(gòu)建自動(dòng)抓取函數(shù)：

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(guò)將post需求提交的參數(shù)編碼為json字串，封裝在postForm函數(shù)的配置參數(shù).opts中，完成json查詢參數(shù)的傳遞！，
###竟然不寫在style里，搞得人暈頭轉(zhuǎn)向的！注意使用toJSON序列化的時(shí)候，auto_unbox要設(shè)置為TRUE，否則默認(rèn)為TRUE，單值都會(huì)被包括成列表！
        response <- content  %>% fromJSON() %>% `[[`(3) %>% `[[`(2)
        fullinfo <- response %>% rbind(fullinfo,.)  
        cat(sprintf("第【%d】頁(yè)已抓取完畢！",i),sep = "\n")
        },error = function(e){
        cat(sprintf("第【%d】頁(yè)抓取失敗!",i),sep = "\n")
        })

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

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

#預(yù)覽數(shù)據(jù)
DT::datatable(myresult)

至此，R語(yǔ)言中的兩大數(shù)據(jù)抓取神器（請(qǐng)求庫(kù)），RCurl+httr，針對(duì)主流的GET請(qǐng)求、POST請(qǐng)求（常用的）都已經(jīng)完成探索和案例輸出。

備注：以上header中的cookie是防止請(qǐng)求被瀏覽器屏蔽，edu-script-token參數(shù)是進(jìn)程的token，你可以理解為類似秘鑰的東西，所以如果想要實(shí)踐本篇內(nèi)容，以上兩個(gè)參數(shù)需要你從自己的Chrome中提取，直接運(yùn)行本篇代碼估計(jì)不大可能出數(shù)據(jù)！

關(guān)于R語(yǔ)言網(wǎng)絡(luò)數(shù)據(jù)抓取難題的示例分析就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。