R 中不断出现错误“open.connection(x, "rb") 中的错误：HTTP 错误 404。”

Question

`library(rvest)
library(RCurl)
library(XML)
library(stringr)


#Getting the number of Page
getPageNumber <- function(URL){
  parsedDocument = read_html(URL)
  Sort1 <- html_nodes(parsedDocument, 'div')
  Sort2 <- Sort1[which(html_attr(Sort1, "class") == "pagination al-pagination")] 
  P <- str_count(html_text(Sort2), pattern = " \\d+\r\n")
  return(ifelse(length(P) == 0, 0, max(P)))
}

#Getting all articles based off of their DOI
getAllArticles <-function(URL){
  parsedDocument = read_html(URL)
  Sort1 <- html_nodes(parsedDocument,'div')
  Sort2 <-  Sort1[which(html_attr(Sort1, "class") == "al-citation-list")]
  ArticleDOInumber = trimws(gsub(".*10.1093/dnares/","",html_text(Sort2)))
  URL3 <- "https://doi.org/10.1093/dnares/"
  URL4 <- paste(URL3, ArticleDOInumber, sep = "")
  return(URL4)
}


Title <- function(parsedDocument){
  Sort1 <- html_nodes(parsedDocument, 'h4')
  Title <- gsub("<a>\\n|\\n</a>","",Sort1)
  return(Title)
}



#main function with input as parameter year
findURL <- function(year_chosen){
  if(year_chosen >= 1994){
  noYearURL = glue::glue("https://academic.oup.com/dnaresearch/search-results?rg_IssuePublicationDate=01%2F01%2F{year_chosen}%20TO%2012%2F31%2F{year_chosen}")
  pagesURl = "&fl_SiteID=5275&page="
  URL = paste(noYearURL, pagesURl, sep = "")
  #URL is working with parameter year_chosen
  Page <- getPageNumber(URL)
  
  
  if(Page == 5){
    Page2 <- 0
    while(Page < Page2 | Page != Page2){
      Page <- Page2
      URL3 <- paste(URL, Page-1, sep = "")
      Page2 <- getPageNumber(URL3)  
    }
  }
  R_Data <- data.frame()
  for(i in 0:ifelse((Page-1) > 0, (Page-1), 0)){
  URL2 <- getAllArticles(paste(URL, i, sep = ""))
    for(j in 1:(length(URL2))){
      parsedDocument <- read_html(URL2[j])
      print(URL2[j])
      R <- data.frame("Title" = Title(parsedDocument), stringsAsFactors = FALSE)
      R_Data <- rbind(R_Data, R)
    } 
  }
  write.csv(R_Data, "Group4.csv", row.names = FALSE, sep = "\t")
  } else {
    print("The Year you provide is out of range, this journal only contain articles from 2005 to present")
  }
}

findURL(2000)`

所以我正在尝试抓取给定年份的网站，并在我的主要功能中尝试循环浏览不同的页面。仅提取每篇文章的标题。

我不断收到此错误 -> open.connection(x, "rb") 中的错误：HTTP 错误 404

有些年份只有 3 页，所以我明白为什么可能会出现错误，但大多数期刊的文章都有 5 页。

按年刮掉期刊后，我想将刮掉的标题写到 civ 文件中。

提前感谢您的帮助！

Answer 1

尚未完全检查，即没有经过许多不同年份的测试，但由于 Page = 0 没有产生您可能想要的结果：

for(i in 1:Page)

而不是

for(i in 0:ifelse((Page-1) > 0, (Page-1), 0))

这可能对findURL 后面的逻辑有影响。

另外，您的函数 Title 当前正在返回 html。不知道是不是故意的。

根据我建议的更改，您的代码现在会生成一个包含大量重复信息的填充 csv，这表明您可能需要重新访问您的 Title 函数。