问题描述
我想从 health.usnews.com 获取一些数据。我运行了以下几行,但这两行都给了我完全相同的结果 - 根本没有响应,R 卡在线路上,我必须手动单击“中断 R”。
page_response <- httr::GET("https://health.usnews.com/")
# or
page <- xml2::read_html("https://health.usnews.com/")
我错过了什么?
解决方法
该网站使用用户代理标头来检测网络爬虫。添加一个虚假的用户代理标头,您将能够获得结果:
page_response <- httr::GET(
"https://health.usnews.com/",config = httr::add_headers(
`user-agent` = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/88.0.4324.96 Safari/537.36"
)
)
问题是大部分数据都是由 JS 生成的。不知道您需要什么信息,但您可能需要 V8 软件包来帮助您。