scrapy 刮Kickstarter与R?

rt4zxlrg  于 2022-11-23  发布在  其他
关注(0)|答案(1)|浏览(89)

我试图刮Kickstarter。但是,我没有得到一个结果,当我试图获得的网址,指的是项目。
这应该是结果之一:
https://www.kickstarter.com/projects/1534822242/david-bowie-hunger-city-photo-story?ref=category_ending_soon
这是我代码:
编码:

main.page1 <- read_html(x ="https://www.kickstarter.com/discover/advanced?
    category_id=1&sort=end_date&seed=2498921&page=1")

    urls1 <- main.page1 %>% # feed `main.page` to the next step
            html_nodes(".block.img-placeholder.w100p") %>% # get the CSS nodes
            html_attr("href") # extract the URLs

有人看出我哪里做错了吗?

fcwjkofz

fcwjkofz1#

首先声明您使用的所有软件包-我不得不去搜索才意识到我需要rvest

> library(rvest)
> library(dplyr)

获取HTML:

> main.page1 <- read_html(x ="https://www.kickstarter.com/discover/advanced?category_id=1&sort=end_date&seed=2498921&page=1")

就目前而言,每个项目的数据都被隐藏在一堆div中的data-project属性中。浏览器中的一些Javascript(我怀疑是使用React框架构建的)通常会填充其他div,并获取图像、格式化链接等。但您刚刚获取了原始HTML,因此无法使用。但原始数据是....所以....
相关的div看起来是类“react-disc-landing”,因此这会以文本字符串的形式获取数据:

> data = main.page1 %>% 
    html_nodes("div.react-disc-landing") %>% 
    html_attr("data-project")

这些内容看起来是JSON字符串:

> substr(data[[1]],1,80)
[1] "{\"id\":208460273,\"photo\":{\"key\":\"assets/017/007/465/9b725fdf5ba1ee63e8987e26a1d33"

因此,让我们使用rjson包来解码第一个:

> library(rjson)
> jdata = fromJSON(data[[1]])

jdata现在是一个非常复杂的嵌套列表。请使用str(jdata)查看其中的内容。我不确定您需要其中的哪一部分,但可能是以下URL:

> jdata$urls$web$project
[1] "https://www.kickstarter.com/projects/1513052868/sense-of-place-by-jose-davila"

如果不是,则所需的URL必须在该结构中的某个位置。
data[[i]]重复以上步骤以获取所有链接。

请注意,您应该检查允许您执行此操作的站点T+ C,并查看是否有您真正应该使用的API。

相关问题