使用R从网页中抓取可下载文件的链接地址？

Question

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？

其中一个目标页面就是这个.我想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,该文件在网页上标有"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,但这应该在今天晚些时候改变,因为数据每周一更新 - 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

该调用中的xpath html_node()来自突出显示实时2015年全非文件(2015年7月11日更新)(csv)字段中的(csv)部分的绿色,然后单击页面上足够的其他突出显示位以消除所有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.

Answer 1

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