我正在对这个网站进行网络抓取:

http://www.falabella.com.pe/falabella-pe/category/cat40536/Climatizacion?navAction=push

我只需要产品的信息:“品牌”、“产品名称”、“价格”。

我可以得到,但我也从其他用户的类似产品的横幅中获取信息。我不需要它。

但是当我转到页面的源代码时,我看不到那些产品。我认为它是通过 javascript 或其他东西拉出来的:

问题 1: 如何在进行网络抓取时阻止此信息?
这会添加我不需要的产品。但是在源代码中看不到这部分。

问题 2:提取价格“precio1”时,我将其作为第一个元素:"\n\t\t\t\tSubtotal InternetS/. 0" 我在代码源中也看不到。怎么不刮呢?
library(RSelenium)
library(rvest)
#start RSelenium
checkForServer()
startServer()
remDr <- remoteDriver()
remDr$open()

#navigate to your page
remDr$navigate("http://www.falabella.com.pe/falabella-pe/category/cat40536/Climatizacion?navAction=push")


page_source<-remDr$getPageSource()


Climatizacion_marcas1 <- html(page_source[[1]])%>%
        html_nodes(".marca") %>%
        html_nodes("a") %>%
        html_attr("title")


Climatizacion_producto1 <- html(page_source[[1]])%>%
        html_nodes(".detalle") %>%
        html_nodes("a") %>%
        html_attr("title")


Climatizacion_precio1 <- html(page_source[[1]])%>%
        html_nodes(".precio1") %>%
        html_text()

最佳答案

接近你的方法,这会做到:

library(rvest)
u <- "http://www.falabella.com.pe/falabella-pe/category/cat40536/Climatizacion?navAction=push"
doc <- html(u)

Climatizacion_marcas1 <- doc %>%
  html_nodes(".marca")[[1]] %>%
  html_nodes("a") %>%
  html_attr("title")

Climatizacion_producto1 <- doc %>%
  html_nodes(".detalle") %>%
  html_nodes("a") %>%
  html_attr("title")

"\n\t\t"等来自 html 的解析。显然,那里有回车和制表符。一个简单的解决方案是:
Climatizacion_precio1 <- doc %>%
  html_node(".precio1") %>%
  html_text() %>%
  stringr::str_extract_all("[:number:]{1,4}[.][:number:]{1,2}", simplify = TRUE) %>%
  as.numeric

Climatizacion_precio1
[1] 44.9

这实际上是从字符串中选择数字(因此也删除了“S/.”。如果您希望保留“S/.”,您可以执行以下操作:
Climatizacion_precio1 <- doc %>%
  html_node(".precio1") %>%
  html_text() %>%
  gsub('[\r\n\t]', '', .)

Climatizacion_precio1
[1] "S/. 44.90"

编辑
这是另一种方法,使用 XMLselectr 。这将一次性获得页面上所有项目的信息。
library(XML)

clean_up <- function(x) {
  stringr::str_replace_all(x, "[\r\t\n]", "")
}

product <- selectr::querySelectorAll(doc, ".marca") %>%
  xmlApply(xmlValue) %>% lapply(clean_up) %>% unlist

details <-   selectr::querySelectorAll(doc, ".detalle a") %>%
  xmlApply(xmlValue) %>%
  unlist

price <- selectr::querySelectorAll(doc, ".precio1") %>%
  xmlApply(xmlValue) %>% lapply(clean_up) %>% unlist

as.data.frame(cbind(product, details, price))
      product                  details      price
1       Imaco  Termoventilador NF15...  S/. 44.90
2       Imaco  Ventilador de 10"  I...     S/. 69
3       Imaco  Ventilador Imaco de ...     S/. 89
4      Taurus  Recirculador TRA-30 ...     S/. 89
5       Imaco  Termoventilador ITC-...    S/. 109
6        Sole Termo Ventilador Elé...     S/. 99
7      Taurus  Ventilador TVP-40 3 ...     S/. 99
8       Imaco  Estufa OFR7AO 1.500 ...    S/. 129
9      Alfano  Ventilador Recircula...    S/. 139
10     Taurus  Ventilador TVC-40RC ...    S/. 139
11      Imaco  Ventilador Pedestal ...    S/. 149
12     Alfano  Ventilador Orbital 1...    S/. 149
13 Electrolux  Ventilador  de Mesa ... S/. 149.90
14     Alfano  Estufa Termoradiador...    S/. 159
15     Alfano  Ventilador Pared 18"...    S/. 169
16      Imaco     Termoradiador OFR9AO    S/. 179

您通常可能希望对结果进行一些初步清理。

关于R:Rvest - 得到了我不想要的隐藏文本,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/30541445/

10-15 13:58