如何从html的href链接上找到比特流url

Question

[我正在使用rvest R包从this网页中抓取PDF文件，但是当我按名称exposed url单击AC1-96-21-01-2011.pdf后，最终链接被公开（作为比特流url-不管是什么）。 ]。最终的pdf文件被隐藏在here中，无法访问。这将阻止rvest功能read_html()的所有尝试，因为只有单击上一个链接（在href上），最终的pdf文件才会打开。复制粘贴不允许我进入pdf文件的xml node。

<a href="/judgments/handle/123456789/701">Arbitration Case - AC</a>

最终文件位于此URL上，该文件未在href节点中公开。http://judgmenthck.kar.nic.in/judgments/bitstream/123456789/563560/2/AC1-96-21-01-2011.pdf

因此，如上所述，如何使用rvest属性中未找到的href访问pdf文件链接。

我尝试搜索bitstream，但将我带到其他地方。

Answer 1

我认为您正在寻找错误的节点：

library(rvest)

"http://judgmenthck.kar.nic.in/judgments/handle/123456789/563560" %>%
read_html()                                                       %>%
html_nodes(xpath = "//td/a[@target='_blank']")                    %>%
html_attr("href")                                                 %>% 
unique()                                                          %>% 
{grep("[.]pdf", ., value = T)}                                    %>%
paste0("http://judgmenthck.kar.nic.in", .)                         ->
pdf_url

print(pdf_url)
# [1] "http://judgmenthck.kar.nic.in/judgments/bitstream/123456789/563560/2/AC1-96-21-01-2011.pdf"