【发布时间】:2013-06-24 03:16:17
【问题描述】:
我最初询问this question 关于使用httr 包执行此任务,但我认为使用httr 是不可能的。所以我重写了我的代码以使用 RCurl 代替 - 但我仍然在可能与 writefunction 相关的东西上绊倒......但我真的不明白为什么。
您应该能够使用 32 位版本的 R 来重现我的工作,因此如果您将任何内容读入 RAM,就会达到内存限制。我需要一个直接下载到硬盘的解决方案。
首先,此代码工作 -- 压缩文件被适当地保存到磁盘。
library(RCurl)
filename <- tempfile()
f <- CFILE(filename, "wb")
url <- "http://www2.census.gov/acs2011_5yr/pums/csv_pus.zip"
curlPerform(url = url, writedata = f@ref)
close(f)
# 2.1 GB file successfully written to disk
现在这里有一些无效的RCurl 代码。正如the previous question 中所述,要准确复制它需要在ipums 上创建一个提取。
your.email <- "email@address.com"
your.password <- "password"
extract.path <- "https://usa.ipums.org/usa-action/downloads/extract_files/some_file.csv.gz"
library(RCurl)
values <-
list(
"login[email]" = your.email ,
"login[password]" = your.password ,
"login[is_for_login]" = 1
)
curl = getCurlHandle()
curlSetOpt(
cookiejar = 'cookies.txt',
followlocation = TRUE,
autoreferer = TRUE,
ssl.verifypeer = FALSE,
curl = curl
)
params <-
list(
"login[email]" = your.email ,
"login[password]" = your.password ,
"login[is_for_login]" = 1
)
html <- postForm("https://usa.ipums.org/usa-action/users/validate_login", .params = params, curl = curl)
dl <- getURL( "https://usa.ipums.org/usa-action/extract_requests/download" , curl = curl)
现在我已登录,尝试与上述相同的命令,但使用 curl 对象来保留 cookie。
filename <- tempfile()
f <- CFILE(filename, mode = "wb")
这行换行--
curlPerform(url = extract.path, writedata = f@ref, curl = curl)
close(f)
# the error is:
Error in curlPerform(url = extract.path, writedata = f@ref, curl = curl) :
embedded nul in string: [[binary jibberish here]]
我上一篇文章的答案将我推荐给this c-level writefunction 答案,但我不知道如何重新创建 curl_writer C 程序(在 Windows 上?)..
dyn.load("curl_writer.so")
writer <- getNativeSymbolInfo("writer", PACKAGE="curl_writer")$address
curlPerform(URL=url, writefunction=writer)
..或者为什么它甚至是必要的,因为这个问题顶部的五行代码没有像getNativeSymbolInfo 这样疯狂的工作。我只是不明白为什么传入那个额外的 curl 对象来存储身份验证/cookie 并告诉它不要验证 SSL 会导致原本可以工作的代码..中断?
【问题讨论】:
-
如果您编辑添加
curl = getCurlHandle()和curlPerform(url = url, writedata = f@ref, curl = curl)的代码会发生什么?并且,一旦会话开始,您是否能够下载其他内容?例如使用curlPerform和writedata保存https://usa.ipums.org/usa-action/extract_requests/download -
关于C代码,需要先编译成DLL,然后
dyn.load("curl_writer.dll") -
1) 我不明白您的编辑 getCurlHandle() 与我的代码有何不同? 2) 是的,我可以在会话开始后下载其他内容。
z <- getBinaryURL( extract.path , curl = curl )有效,但它会将所有内容读入 RAM,因此无法解决我的问题。 3) 是否可以在 Windows 上的 R 中执行此操作?谢谢!! :) -
使用 Visual C++ 或 cigwin 编译代码,或查看此页面:stat.ethz.ch/R-manual/R-devel/library/utils/html/SHLIB.html
-
@AstDerek 我有没有机会说服你提供一个从头到尾的工作示例? :) 我无法理解这种非 R 的东西..
标签: r web-scraping rcurl httr