用R抓取Kickstarter？

Question

我试着刮Kickstarter。但是，当我尝试获取引用项目的URL时，我得不到结果。

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

有没有人看到我哪里错了？

Answer 1

首先声明您使用的所有包-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")

如上所述，每个项目的数据都存储在一组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DIVs，并获取图像、格式化链接等。但您只是抓取了原始的HTML，所以它不可用。但原始数据是...所以..。

相关的div似乎是“react-disc landing”类，所以这将以文本字符串的形式获取数据：

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

这些内容看起来像是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一定在该结构中的某个位置。

在data[[i]]上重复以获取所有链接。

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