R - 使用 rvest 抓取受密码保护的网站，而无需在每次循环迭代时登录

Question

我正在尝试使用 rvest 包从 R 中受密码保护的网站中抓取数据。我的代码当前在循环的每次迭代中都会登录到网站，该循环将运行大约 15,000 次。这看起来效率很低，但我还没有找到解决方法，因为每次都跳转到不同的网址而不先登录，然后返回到网站的登录页面。我的代码的简化如下：

library(rvest)
url <- password protected website url within quotes
session <-html_session(url)
form <-html_form(session)[[1]]

filled_form <- set_values(form,
                      `username` = email within quotes, 
                      `password` = password within quotes)
start_table <- submit_form(session, filled_form) %>%
  jump_to(url from which to scrape first table within quotes) %>%
  html_node("table.inlayTable") %>%
  html_table()
data_table <- start_table

for(i in 1:nrow(data_ids))
{
current_table <- try(submit_form(session, filled_form) %>%
  jump_to(paste(first part of url within quotes, data_ids[i, ], last part of url within quotes, sep="")) %>%
  html_node("table.inlayTable") %>%
  html_table())

data_table <- rbind(data_table, current_table)
}

为了简单起见，我处理 try 函数中可能引发的任何错误的方式被抑制。请注意，data_ids 是一个数据框，其中包含要在每次新迭代时更新的 url 部分。

有人建议如何在循环的每次迭代中不登录的情况下实现这种抓取吗？

谢谢！扬

Answer 1

您可以将会话保存在变量中，但我猜您不会节省那么多时间。 这是我的网页抓取脚本：

library(rvest)
url <- "https://"
session <- html_session(url)              
form <- html_form(session)[[1]]

filled_form <- set_values(form,`[login]` = "xxx",`[password]` = "xxx")

session <- submit_form(session,filled_form)

for (i in unique(id)) {
      link <- paste0("https://",i,"xxx")
      df_all <- session %>% jump_to(link) %>% html_table()
        if ( length(df_all) != 0 ) {
          my_df <- as.data.frame(df_all[n],optional = TRUE)
          database <- rbind(my_df,database)
          cat("Data saved for",i)
          } else {
          cat("No data for",i)
          }
         }