作者miao2361 (Miao)
看板R_Language
標題[問題] 爬批踢踢文章內容
時間Wed Apr 1 17:44:26 2015
[問題類型]:
程式諮詢(我想用R 做某件事情，但是我不知道要怎麼用R 寫出來)
[軟體熟悉度]:
使用者(已經有用R 做過不少作品)
[問題敘述]:
請簡略描述你所要做的事情，或是這個程式的目的
問題一
用httr、XML套件想要把批踢踢的文章們存成.txt檔以利後續text mining
但是八卦板因為有「確認已滿18歲」的網頁而無法存出文章
問題二
關於RCurl的問題（詳見以下）
問題一
library(XML)
library(httr)
start <- regexpr('www', line)[1]
end <- regexpr('html', line)[1]
if(start != -1 & end != -1){
url <- substr(line, start, end+3)
html <- content(GET(url), encoding="UTF8")
doc <- xpathSApply(html, "//div[@id='main-content']", xmlValue)
name <- strsplit(url, '/')[[1]][4]
write(doc, gsub('html', 'txt', name))
}
# 當 讀入八卦板以外的批踢踢文章網址
line = "
https://www.ptt.cc/bbs/StupidClown/M.1427811176.A.552.html"
工作路徑中會出現一個新的txt檔，其中存著這篇笨版文章的內容
# 當 讀入八卦板網址
line = "
https://www.ptt.cc/bbs/Gossiping/M.1427816656.A.450.html"
存下來的txt檔裡面卻是空的。
研判應該是八卦板的十八歲限制網頁造成
https://www.ptt.cc/bbs/Gossiping/M.1427816656.A.450.html
想請問版上高手如何跳過這個網頁呢？
問題二
原程式碼
url <- substr(line, start, end+3)
html <- content(GET(url), encoding="UTF8")
doc <- xpathSApply(html, "//div[@id='main-content']", xmlValue)
name <- strsplit(url, '/')[[1]][4]
write(doc, gsub('html', 'txt', name))
原本想用RCurl套件來做第二行
html <- htmlParse(getURL(url), encoding='UTF-8')
存出來的html卻失敗
> html
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN"
"http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head><title>301 Moved Permanently</title></head>
<body bgcolor="white">
<center><h1>301 Moved Permanently</h1></center>
<hr>
<center>nginx</center>
</body>
</html>
但後來改成用httr套件的content()和GET()就可以了，卻不明白為什麼XD
---
自己研究了一下，以上問題可能會觸碰到 HTTP request header的範疇，
但我過去並沒有學過這方面的知識
不知道版上各位大大有沒有推薦的文章可以介紹自學呢？
非常感恩～～～～！！
[環境敘述]:
> sessionInfo()
R version 3.1.2 (2014-10-31)
Platform: x86_64-w64-mingw32/x64 (64-bit)
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.80.167.159
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1427881473.A.71F.html
※ 編輯: miao2361 (111.80.167.159), 04/01/2015 17:59:17
推 andrew43: 把 over18 這個 cookie 的值寫入 1 應該就可以了。 04/01 18:52
推 andrew43: 不過我不了解在 R 這端怎麼做。 04/01 18:52
→ miao2361: 恩恩~有看過python的code這樣寫，但R不知如何解... 04/01 19:13
推 celestialgod: ，請參考rcurl的website，目前人在外面，不方便測 04/01 20:04
推 celestialgod: 試，抱歉。 04/01 20:04
→ miao2361: 非常感謝樓上！解開了，比想像中簡單太多XD 程式碼如下 04/08 17:54
→ miao2361: GET(url, config=set_cookies("over18"="1"),...)即可 04/08 17:54
→ celestialgod: 不客氣，謝謝您的回覆 04/08 20:17