用 R 抓取 Kickstarter？

Question

我试图爬取 Kickstarter。但是，当我尝试获取引用项目的 URL 时，我没有得到结果。

这应该是结果之一：

https://www.kickstarter.com/projects/1534822242/david-bowie-hunger-city-photo-story?ref=category_ending_soon

这是我的代码：

代码：

    main.page1 <- read_html(x ="https://www.kickstarter.com/discover/advanced?
    category_id=1&sort=end_date&seed=2498921&page=1")

    urls1 <- main.page1 %>% # feed `main.page` to the next step
            html_nodes(".block.img-placeholder.w100p") %>% # get the CSS nodes
            html_attr("href") # extract the URLs

有人知道我哪里出错了吗？

Answer 1

首先声明你使用的所有包 - 我必须去搜索才能意识到我需要rvest：

> library(rvest)
> library(dplyr)

获取您的 HTML：

> main.page1 <- read_html(x ="https://www.kickstarter.com/discover/advanced?category_id=1&sort=end_date&seed=2498921&page=1")

就目前而言，每个项目的数据都隐藏在一堆 div 中的 data-project 属性中。浏览器中的一些 Javascript（我怀疑是使用 React 框架构建的）通常会填充其他 DIV 并获取图像、格式化链接等。但是您刚刚获取了原始 HTML，因此不可用。但是原始数据是……所以……

相关的 div 似乎是“react-disc-landing”类，因此这会将数据作为文本字符串获取：

> data = main.page1 %>% 
    html_nodes("div.react-disc-landing") %>% 
    html_attr("data-project")

这些东西似乎是 JSON 字符串：

> substr(data[[1]],1,80)
[1] "{\"id\":208460273,\"photo\":{\"key\":\"assets/017/007/465/9b725fdf5ba1ee63e8987e26a1d33"

所以让我们使用rjson 包来解码第一个：

> library(rjson)
> jdata = fromJSON(data[[1]])

jdata 现在是一个非常复杂的嵌套列表。使用str(jdata) 查看其中的内容。我不确定你想要什么，但也许是这个 URL：

> jdata$urls$web$project
[1] "https://www.kickstarter.com/projects/1513052868/sense-of-place-by-jose-davila"

如果不是，您想要的 URL 必须在某个结构中。

重复data[[i]] 以获取所有链接。

请注意，您应该检查允许您执行此操作的站点 T+C，并查看是否有您真正应该使用的 API。