web-dev-qa-db-ja.com

Rでパスワード保護されたWebサイトをこする

私はRでパスワードで保護されたWebサイトからデータをスクレイピングしようとしています。読んでみると、httrおよびRCurlパッケージはパスワード認証でスクレイピングするための最良のオプションのようです（XMLパッケージも調べました）。

スクレイピングしようとしているWebサイトは以下のとおりです（ページ全体にアクセスするには無料のアカウントが必要です）： http://subscribers.footballguys.com/myfbg/myviewprojections.php?projector=2 =

これが私の2つの試みです（ "username"を私のユーザー名に、 "password"を私のパスワードに置き換えます）：

#This returns "Status: 200" without the data from the page:
library(httr)
GET("http://subscribers.footballguys.com/myfbg/myviewprojections.php?projector=2", authenticate("username", "password"))

#This returns the non-password protected preview (i.e., not the full page):
library(XML)
library(RCurl)
readHTMLTable(getURL("http://subscribers.footballguys.com/myfbg/myviewprojections.php?projector=2", userpwd = "username:password"))

他の関連する投稿（以下のリンク）を確認しましたが、私の回答をどのように適用するかわかりません。

Rを使用して、Cookieを必要とするSSLページからzipファイルをダウンロードする方法

R（httpsリンク）で保護されたページをWebスクレイピングする方法（XMLパッケージのreadHTMLTableを使用）？

パスワードで保護されたサイトから情報を読み取る

R-パスワードで保護されたサイトからのRCurlスクレイピングデータ

http://www.inside-r.org/questions/how-scrape-data-password-protected-https-website-using-r-hold

xmlrweb-scrapingrcurlhttr
18
itpetersen

私はテストするアカウントを持っていませんが、おそらくこれはうまくいくでしょう：

library(httr)
library(XML)

handle <- handle("http://subscribers.footballguys.com") 
path   <- "amember/login.php"

# fields found in the login form.
login <- list(
  amember_login = "username"
 ,amember_pass  = "password"
 ,amember_redirect_url = 
   "http://subscribers.footballguys.com/myfbg/myviewprojections.php?projector=2"
)

response <- POST(handle = handle, path = path, body = login)

これで、応答オブジェクトは必要なものを保持する可能性があります（または、ログインリクエストの後に目的のページを直接クエリできます。リダイレクトが機能するかどうかはわかりませんが、Webフォームのフィールドです）、およびhandleは後続のリクエストで再利用される可能性があります。テストできません。しかし、これは多くの状況で私にとってうまくいきます。

XMLを使用してテーブルを出力できます

> readHTMLTable(content(response))[[1]][1:5,]
  Rank             Name Tm/Bye Age Exp Cmp Att  Cm%  PYd Y/Att PTD Int Rsh  Yd TD FantPt
1    1   Peyton Manning  DEN/4  38  17 415 620 66.9 4929  7.95  43  12  24   7  0 407.15
2    2       Drew Brees   NO/6  35  14 404 615 65.7 4859  7.90  37  16  22  44  1 385.35
3    3    Aaron Rodgers   GB/9  31  10 364 560 65.0 4446  7.94  33  13  52 224  3 381.70
4    4      Andrew Luck IND/10  25   3 366 610 60.0 4423  7.25  27  13  62 338  2 361.95
5    5 Matthew Stafford  DET/9  26   6 377 643 58.6 4668  7.26  32  19  34 102  1 358.60
16
Stefan

RSeleniumを使用できます。 Selenium Serverなしでphantomjsを実行できるように、私はdevバージョンを使用しました。

# Install RSelenium if required. You will need phantomjs in your path or follow instructions
# in package vignettes
# devtools::install_github("ropensci/RSelenium")
# login first
appURL <- 'http://subscribers.footballguys.com/amember/login.php'
library(RSelenium)
pJS <- phantom() # start phantomjs
remDr <- remoteDriver(browserName = "phantomjs")
remDr$open()
remDr$navigate(appURL)
remDr$findElement("id", "login")$sendKeysToElement(list("myusername"))
remDr$findElement("id", "pass")$sendKeysToElement(list("mypass"))
remDr$findElement("css", ".am-login-form input[type='submit']")$clickElement()

appURL <- 'http://subscribers.footballguys.com/myfbg/myviewprojections.php?projector=2'
remDr$navigate(appURL)
tableElem<- remDr$findElement("css", "table.datamedium")
res <- readHTMLTable(header = TRUE, tableElem$getElementAttribute("outerHTML")[[1]])
> res[[1]][1:5, ]
Rank             Name Tm/Bye Age Exp Cmp Att  Cm%  PYd Y/Att PTD Int Rsh  Yd TD FantPt
1    1   Peyton Manning  DEN/4  38  17 415 620 66.9 4929  7.95  43  12  24   7  0 407.15
2    2       Drew Brees   NO/6  35  14 404 615 65.7 4859  7.90  37  16  22  44  1 385.35
3    3    Aaron Rodgers   GB/9  31  10 364 560 65.0 4446  7.94  33  13  52 224  3 381.70
4    4      Andrew Luck IND/10  25   3 366 610 60.0 4423  7.25  27  13  62 338  2 361.95
5    5 Matthew Stafford  DET/9  26   6 377 643 58.6 4668  7.26  32  19  34 102  1 358.60

最後に、終了したらphantomjs

pJS$stop()

たとえば、firefoxのような従来のブラウザを使用したい場合（CRANのバージョンを使い続けたい場合）は、次のようにします。

RSelenium::startServer()
remDr <- remoteDriver()
........
........
remDr$closeServer()

関連するphantomjs呼び出しの代わりに。

17
jdharrison