读取带有 rvest 的 HTML 表有时会卡住并产生超时错误

Posted 2023-03-05

【中文标题】读取带有 rvest 的 HTML 表有时会卡住并产生超时错误

【英文标题】：Read HTML table with rvest sometimes stuck and produce TimeOut Error

【发布时间】：2021-12-22 05:26:12

【问题描述】：

我必须从https://kursdollar.org 阅读每个银行的美元汇率表，并且我必须多次测试这个片段：

library(stringr)
library(tidyverse)
library(rvest)
library(httr)
library(RCurl)
  
curlSetOpt(timeout = 200)
  
kurs_bi <- "https://kursdollar.org/bank/bi.php"
kurs_mandiri <- "https://kursdollar.org/bank/mandiri.php"
kurs_bca <- "https://kursdollar.org/bank/bca.php"
kurs_bni <- "https://kursdollar.org/bank/bni.php"
kurs_hsbc <- "https://kursdollar.org/bank/hsbc.php"
kurs_panin <- "https://kursdollar.org/bank/panin.php"
kurs_cimb <- "https://kursdollar.org/bank/cimb.php"
kurs_ocbc <- "https://kursdollar.org/bank/ocbc.php"
kurs_bri <- "https://kursdollar.org/bank/bri.php"
kurs_uob <- "https://kursdollar.org/bank/uob.php"
kurs_maybank <- 'https://kursdollar.org/bank/maybank.php'
kurs_permata <- "https://kursdollar.org/bank/permata.php"
kurs_mega <- "https://kursdollar.org/bank/mega.php"
kurs_danamon <- "https://kursdollar.org/bank/danamon.php"
kurs_btn <- "https://kursdollar.org/bank/btn.php"
kurs_mayapada <- "https://kursdollar.org/bank/mayapada.php"
kurs_muamalat <- "https://kursdollar.org/bank/muamalat.php"
kurs_bukopin <- "https://kursdollar.org/bank/bukopin.php"
  
link_kurs <- c(kurs_bi, kurs_mandiri, kurs_bca, kurs_bni, kurs_hsbc, kurs_panin, 
kurs_cimb, kurs_ocbc, kurs_bri, kurs_uob, kurs_maybank, kurs_permata, kurs_mega, 
kurs_danamon, kurs_btn, kurs_mayapada, kurs_muamalat, kurs_bukopin)

for(v in 1:length(link_kurs))
    writeLines(paste0(v,') Read Table on ', link_kurs[v]))
    open_url <- url(link_kurs[v], "rb")
    extract_df <- read_html(open_url) 
    close(open_url)
    extract_df <- extract_df %>%
      html_nodes("table") %>% 
      html_table(fill = T) %>% as.data.frame()
    writeLines("Test Read Success!")
  

运行多次结果可能不同，读取成功时速度很快，但有时读取某个链接卡住（RCurl的超时限制不起作用）并抛出：

Error in url(link_kurs[v], "rb") : cannot open the connection
In addition: Warning message:
In url(link_kurs[v], "rb") :
  InternetOpenUrl failed: 'The operation timed out'

无论如何要绕过这个？有没有办法连贯地阅读所有这些表格，即使它有点慢？

【参考方案1】：

尝试使用tryCatch

for(v in 1:length(link_kurs))
  writeLines(paste0(v,') Read Table on ', link_kurs[v]))
  open_url <- url(link_kurs[v], "rb")
  tryCatch(
    extract_df <- read_html(open_url) 
  close(open_url)
  extract_df <- extract_df %>%
    html_nodes("table") %>% 
    html_table(fill = T) %>% as.data.frame()
  writeLines("Test Read Success!") 
  , error=function(e) NULL)

tryCatch 的完整版本和循环重试无限次尝试捕获表（OP 编辑​​）

for(v in 1:length(link_kurs))
    writeLines(paste0(v,') Read Table on ', link_kurs[v]))
    while(TRUE)
      tryCatch(
        open_url <- url(link_kurs[v], "rb")
        extract_df <- read_html(open_url) 
        close(open_url)
        extract_df <- extract_df %>%
          html_nodes("table") %>% 
          html_table(fill = T) %>% as.data.frame()
        extract_df_list <- c(extract_df_list, list(extract_df))
        writeLines("Test Read Success!") 
        break
      , error=function(e)
        message("Test Read Timeout")
        message("Retrying. .")
      )
    
  

【讨论】：

感谢您的 tryCatch 概念！我完成了它，所以它在遇到错误后循环