我不做下面的错误处理，因为这超出了这个问题的范围。
让我们从通常的嫌疑人开始：
library(rvest)
library(httr)
library(tidyverse)
我们将定义一个函数，该函数将按页码为我们提供一页搜索结果。自从您提供 URL 后，我已经对搜索参数进行了硬编码。
在这个函数中，我们：
- 获取页面 HTML
- 获取我们要抓取的文档的链接
- 获取文档元数据
- 做一个数据框
- 为数据框添加属性，用于抓取的页码以及是否还有更多的页面要抓取
这很简单：
get_page <- function(page_num=1) {
GET(
url = "https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php",
query = list(
type="simple_query",
lang="de",
top_subcollection_aza="all",
query_words="",
from_date="",
to_date="",
x="12",
y="12",
page=page_num
)
) -> res
warn_for_status(res) # shld be "stop" and you should do error handling
pg <- content(res)
links <- html_nodes(pg, "div.ranklist_content ol li")
data_frame(
link = html_attr(html_nodes(links, "a"), "href"),
title = html_text(html_nodes(links, "a"), trim=TRUE),
court = html_text(html_nodes(links, xpath=".//a/../../div/div[contains(@class, 'court')]"), trim=TRUE), # these are "dangerous" if they aren't there but you can wrap error handling around this
subject = html_text(html_nodes(links, xpath=".//a/../../div/div[contains(@class, 'subject')]"), trim=TRUE),
object = html_text(html_nodes(links, xpath=".//a/../../div/div[contains(@class, 'object')]"), trim=TRUE)
) -> xdf
# this looks for the text at the bottom paginator. if there's no link then we're done
attr(xdf, "page") <- page_num
attr(xdf, "has_next") <- html_node(pg, xpath="boolean(.//a[contains(., 'Vorwärts')])")
xdf
}
制作一个辅助函数，因为我无法忍受打字attr(...)，而且它在使用中读起来更好：
has_next <- function(x) { attr(x, "has_next") }
现在，制作一个抓取循环。我在早上 6 点停下来。您应该删除用于抓取所有内容的逻辑。考虑分批执行此操作，因为互联网连接不稳定：
pg_num <- 0
all_links <- list()
repeat {
cat(".") # poor dude's progress ber
pg_num <- pg_num + 1
pg_df <- get_page(pg_num)
if (!has_next(pg_df)) break
all_links <- append(all_links, list(pg_df))
if (pg_num == 6) break # this is here for me since I don't need ~11,000 documents
Sys.sleep(2) # robots.txt crawl delay
}
cat("\n")
将数据框列表变成一个大列表。注意：您应该在此之前进行有效性测试，因为网络抓取充满危险。您还应该将此数据框保存到 RDS 文件中，这样您就不必再次执行此操作。
lots_of_links <- bind_rows(all_links)
glimpse(lots_of_links)
## Observations: 60
## Variables: 5
## $ link <chr> "https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php?lang=de&type=highlight_simple_query&...
## $ title <chr> "18.12.2017 6B 790/2017", "14.12.2017 6G 2/2017", "13.12.2017 5A 975/2017", "13.12.2017 5D 257/2017", "...
## $ court <chr> "Strafrechtliche Abteilung", "Cour de droit pénal", "II. zivilrechtliche Abteilung", "II. zivilrechtlic...
## $ subject <chr> "Straf- und Massnahmenvollzug", "Procédure pénale", "Familienrecht", "Schuldbetreibungs- und Konkursrec...
## $ object <chr> "Bedingte Entlassung aus der Verwahrung, Beschleunigungsgebot", "Demande d'interprétation et de rectifi...
有了所有的链接，我们就会得到文件。
定义一个辅助函数。注意我们不在这里解析。分开做。我们将存储内部内容<div>HTML 文本，以便您稍后对其进行解析。
get_documents <- function(urls) {
map_chr(urls, ~{
cat(".") # poor dude's progress ber
Sys.sleep(2) # robots.txt crawl delay
read_html(.x) %>%
xml_node("div.content") %>%
as.character() # we do this b/c we aren't parsing it yet but xml2 objects don't serialize at all
})
}
以下是如何使用它。同样，删除head()但也考虑分批进行。
head(lots_of_links) %>% # I'm not waiting for 60 documents
mutate(content = get_documents(link)) -> links_and_docs
cat("\n")
glimpse(links_and_docs)
## Observations: 6
## Variables: 6
## $ link <chr> "https://www.bger.ch/ext/eurospider/live/de/php/aza/http/index.php?lang=de&type=highlight_simple_query&...
## $ title <chr> "18.12.2017 6B 790/2017", "14.12.2017 6G 2/2017", "13.12.2017 5A 975/2017", "13.12.2017 5D 257/2017", "...
## $ court <chr> "Strafrechtliche Abteilung", "Cour de droit pénal", "II. zivilrechtliche Abteilung", "II. zivilrechtlic...
## $ subject <chr> "Straf- und Massnahmenvollzug", "Procédure pénale", "Familienrecht", "Schuldbetreibungs- und Konkursrec...
## $ object <chr> "Bedingte Entlassung aus der Verwahrung, Beschleunigungsgebot", "Demande d'interprétation et de rectifi...
## $ content <chr> "<div class=\"content\">\n \n<div class=\"para\"> </div>\n<div class=\"para\">Bundesgericht </div>...
您仍然需要在各个地方进行错误和有效性检查，如果存在服务器错误或解析问题，可能需要重新抓取页面。但这就是如何构建这种性质的特定于站点的爬虫。