无限滚动抓取动态电子商务页面

Posted 2023-03-24

【中文标题】无限滚动抓取动态电子商务页面

【英文标题】：Scraping a dynamic ecommerce page with infinite scroll

【发布时间】：2015-07-03 20:41:45

【问题描述】：

我在 R 中使用rvest 进行一些抓取。我知道一些 html 和 CSS。

我想获取一个 URI 的每个产品的价格：

http://www.linio.com.co/tecnologia/celulares-telefonia-gps/

当您在页面上向下移动时（当您进行一些滚动时），新项目会加载。

到目前为止我做了什么：

Linio_Celulares <- html("http://www.linio.com.co/celulares-telefonia-gps/")

Linio_Celulares %>%
  html_nodes(".product-itm-price-new") %>%
  html_text()

我得到了我需要的东西，但仅适用于前 25 个元素（默认加载的那些）。

 [1] "$ 1.999.900" "$ 1.999.900" "$ 1.999.900" "$ 2.299.900" "$ 2.279.900"
 [6] "$ 2.279.900" "$ 1.159.900" "$ 1.749.900" "$ 1.879.900" "$ 189.900"  
[11] "$ 2.299.900" "$ 2.499.900" "$ 2.499.900" "$ 2.799.000" "$ 529.900"  
[16] "$ 2.699.900" "$ 2.149.900" "$ 189.900"   "$ 2.549.900" "$ 1.395.900"
[21] "$ 249.900"   "$ 41.900"    "$ 319.900"   "$ 149.900" 

问题：如何获取这个动态部分的所有元素？

我想，我可以滚动页面直到所有元素都加载完毕，然后使用 html(URL)。但这似乎需要做很多工作（我计划在不同的部分这样做）。应该有一个程序化的工作。

【问题讨论】：

您需要使用 XPath（在 R 中或 R 之外）——查看 XML 包。

Rvest不能做吗？我已经看到 Rvest 导入 XML。我读过一些关于 XML 的东西。但我是示例中的 URL，我没有从 XML 中看到这个元标记。你能帮帮我吗？

在这里，我想这可能会帮助你在rvest：***.com/questions/27812259/…

@Hack-R。我看过你的例子，但我所拥有的有点不同。在我的示例中，没有“下一步”按钮或“第 2 页”。但是，我看到一个 :"Página 4"（从 2 变为 X）在我滚动时激活。如果您有任何其他提示会很好。

@OmarGonzales 您可能需要查看 RSelenium 才能实现这一点 - 请参阅 this related post。

【参考方案1】：

正如@nrussell 建议的那样，您可以在获取源代码之前使用RSelenium 以编程方式向下滚动页面。

例如，您可以这样做：

library(RSelenium)
library(rvest)
#start RSelenium
checkForServer()
startServer()
remDr <- remoteDriver()
remDr$open()

#navigate to your page
remDr$navigate("http://www.linio.com.co/tecnologia/celulares-telefonia-gps/")

#scroll down 5 times, waiting for the page to load at each time
for(i in 1:5)      
remDr$executeScript(paste("scroll(0,",i*10000,");"))
Sys.sleep(3)    


#get the page html
page_source<-remDr$getPageSource()

#parse it
html(page_source[[1]]) %>% html_nodes(".product-itm-price-new") %>%
  html_text()

【讨论】：

我一直在学习一些 javascript，但我不明白您使用的 for 循环。请给我一份关于这方面的文件吗？

这是一个 R for 循环而不是 javascript 循环，一些信息 here

谢谢，但我说的是

我尝试执行与上面相同的代码，但它给了我“character(0)”.. 为什么会这样？？

这已经过时了，它似乎使用 Docker 代替

【参考方案2】：

library(rvest)
url<-"https://www.linio.com.co/c/celulares-y-tablets?page=1"
page<-html_session(url)

html_nodes(page,css=".price-secondary") %>% html_text()

通过网站https://www.linio.com.co/c/celulares-y-tablets?page=2和3等循环，你就可以轻松抓取数据了

2019 年 7 月 5 日编辑

网站元素发生了变化。因此新代码

library(rvest)
url<-"https://www.linio.com.co/c/celulares-y-tablets?page=1"
page<-html_session(url)

html_nodes(page,css=".price-main") %>% html_text()

【讨论】：

lineo 改变了它的 url 结构，不是像你说的那样容易废弃他们的产品。不是在 2015 年。

是的，他们单独更改了 css 元素。它仍然适用于此代码@OmarGonzales library(rvest) url<-"https://www.linio.com.co/c/celulares-y-tablets?page=1" page<-html_session(url) html_nodes(page,css=".price-main") %>% html_text()