RSelenium;循环下载csv文件

Question

我正在尝试使用RSelenium（与docker一起）从此网站提取数据：https://nominatransparente.rhnet.gob.mx

#-- Load package
library(RSelenium)
library(rvest)
library(xml2)
library(tidyverse)

#-- Remote driver
remDr <- remoteDriver(remoteServerAddr = "192.168.99.100", port = 4445L, browserName = "chrome")
remDr$open()

#-- navigate to the website 
remDr$navigate("https://nominatransparente.rhnet.gob.mx/")

#-- confirm the website
remDr$getTitle()

#-- screenshot 
remDr$screenshot(display = TRUE)

#-- Loading website's extra information
Sys.sleep(15)

#-- selecting filters: manipulate 
webElement <- remDr$findElement("class name", "switch")
webElement$clickElement()

webElement <- remDr$findElement("class name", "ng-input")
webElement$clickElement()

直到这里，我仍然可以选择并单击下拉菜单，但是无法从下拉菜单中选择每个项目（我无法找到正确的xpath或ID）。我想浏览所有这些项目以及第二个下拉菜单，然后下载它们各自的CSV文件。

我想使用RSelenium执行所有操作。我见过类似的问题here，但使用rvest。有没有一种有效的方法来提取所有CSV文件？

Answer 1

[我的西班牙语有点生锈，但是如果我没记错的话，您尝试先切换los filtros de búsqueda por Sector e Institución，然后进行sector x institución组合。

如果单击其中一个组合，例如Aportaciones de Seguridad Social x Fondo de la Vivienda del ISSSTE，则可以观察到以下网络请求：

method GET
url "https://dgti-ejz-mspadronserpub.200.34.175.120.nip.io/ms/InfoPadron/servidoresPublicosSector/19/HC6/1/100?query=nombres,primerApellido,segundoApellido,dependencia,tipoEntidad,nombrePuesto,sueldoBase,compensacionGarantizada"
Headers:
Host: dgti-ejz-mspadronserpub.200.34.175.120.nip.io
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101                 
Firefox/71.0
Accept: application/json
Accept-Language: de,en-US;q=0.7,en;q=0.3
Accept-Encoding: gzip, deflate, br
Referer: https://nominatransparente.rhnet.gob.mx/
Origin: https://nominatransparente.rhnet.gob.mx
Connection: keep-alive
TE: Trailers

此响应是一个包含相关数据的JSON，我们可以使用R在httr中提出相同的请求：

# Make the request
headers <- c(
    "Host" = "dgti-ejz-mspadronserpub.200.34.175.120.nip.io",
    "User-Agent" = "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv=71.0) Gecko/20100101 Firefox/71.0",
    "Accept" = "application/json",
    "Referer" = "https://nominatransparente.rhnet.gob.mx",
    "Origin" = "https://nominatransparente.rhnet.gob.mx",
    "Connection" = "keep-alive",
    "TE" = "Trailers"
)
url <- "https://dgti-ejz-mspadronserpub.200.34.175.120.nip.io/ms/InfoPadron/servidoresPublicosSector/19/HC6/1/100?query=nombres,primerApellido,segundoApellido,dependencia,tipoEntidad,nombrePuesto,sueldoBase,compensacionGarantizada"

response <- httr::GET(url, httr::add_headers(headers))
# Extract the data
data <- httr::content(response)
# Example, the first entry
data$listDtoServidorPublico[[1]]
# $nombres
# [1] "JOSE OSCAR"
# 
# $primerApellido
# [1] "ABURTO"
# 
# $segundoApellido
# [1] "LOPEZ"
# 
# $dependencia
# [1] "FONDO DE LA VIVIENDA DEL ISSSTE"
# 
# $tipoEntidad
# [1] "ORGANISMO DESCENTRALIZADO"
# 
# $nombrePuesto
# [1] "JEFE DE AREA PROF B EN PROC HIPOTEC FOVISSSTE"
# 
# $sueldoBase
# [1] 9432
# 
# $compensacionGarantizada
# [1] 2096

您可以看到，此版本比使用Selenium + Docker的重型火炮要简单得多。

此外，您可以迭代sector x institución组合。关键可能是更改URL参数以接收不同的组合（即URL的?query=...部分。我本人并未对此进行调查，但是通过在请求其他组合时检查DOM和网络，您应该能够弄清楚这一点。

编辑：检查网络

在浏览器中，切换开发人员工具并在内部单击选项卡网络。当您执行Buscar时，将出现一个新请求，即一个与上述请求类似的请求（取决于所选组合）。

我已经完成了另一种组合，并观察到请求的URL是

https://dgti-ejz-mspadronserpub.200.34.175.120.nip.io/ms/InfoPadron/servidoresPublicosSector/25/C00/1/100?query=nombres,primerApellido,segundoApellido,dependencia,tipoEntidad,nombrePuesto,sueldoBase,compensacionGarantizada

因此，我必须调整网址的哪一部分是错误的：如果您比较这两个链接，这就是它们之间的不同之处

 url_1 = x + 19/HC6 + y
 url_2 = x + 25/C00 + y
 # where
 x = https://dgti-ejz-mspadronserpub.200.34.175.120.nip.io/ms/InfoPadron/servidoresPublicosSector/
 y = /100?query=nombres,primerApellido,segundoApellido,dependencia,tipoEntidad,nombrePuesto,sueldoBase,compensacionGarantizada

因此看起来每个sector x institución都被编码为VW/XYZ。如果检索到所有这些，则可以遍历组合。

最后，如果进一步检查网络机会，您会发现一些包含这些编码映射的请求。