我正在尝试自动化一个过程,该过程涉及从几个网页下载.zip文件并提取它们包含的.csv文件.挑战在于.zip文件名以及链接地址每周或每年更改一次,具体取决于页面.有没有办法从这些页面中抓取当前链接地址,以便我可以将这些地址提供给下载文件的函数？
其中一个目标页面是this one.我要下载的文件是标题为“2015 Realtime Complete All Africa File”的第二个项目符号,即压缩的.csv.在我写的时候,该文件在网页上被标记为“Realtime 2015 All Africa File(2015年7月11日更新)(csv)”,我想要的链接地址是http://www.acleddata.com/wp-content/uploads/2015/07/ACLED-All-Africa-File_20150101-to-20150711_csv.zip,但是今天应该更改,因为数据是每周一更新—因此我的挑战.
我尝试但未能使用’rvest’和Chrome中的selectorgadet扩展名自动提取.zip文件名.这是怎么回事：
> library(rvest) > realtime.page <- "http://www.acleddata.com/data/realtime-data-2015/" > realtime.html <- html(realtime.page) > realtime.link <- html_node(realtime.html,xpath = "//ul[(((count(preceding-sibling::*) + 1) = 7) and parent::*)]//li+//li//a") > realtime.link [1] NA
调用html_node()的xpath来自于突出显示实时2015全非文件(2015年7月11日更新)(csv)字段的(csv)部分,然后单击页面上足够的其他突出显示位以消除所有的黄色,只留下红色和绿色.
我在这个过程中犯了一个小错误,还是我完全走错了轨道？正如你所知,我没有HTML和网络抓取的经验,所以我真的很感激一些帮助.
解决方法
我认为你试图在一个xpath表达式中做太多 – 我会用一系列较小的步骤攻击问题：
library(rvest)
library(stringr)
page <- html("http://www.acleddata.com/data/realtime-data-2015/")
page %>%
html_nodes("a") %>% # find all links
html_attr("href") %>% # get the url
str_subset("\\.xlsx") %>% # find those that end in xlsx
.[[1]] # look at the first one
