Lidando com paginação e várias páginas
Percorra resultados paginados e combine os dados extraídos em um único conjunto de dados.
Lidando com paginação e várias páginas é uma aula grátis de R Academy no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de R Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de R Academy inclui 4 aulas no total.
Compreendendo a paginação
Muitos sites dividem o conteúdo em várias páginas. A paginação baseada em URL acrescenta um número de página à URL (por exemplo, ?page=2 ou /page/2/). Identifique o padrão para construir URLs programaticamente.
library(rvest)
# Common URL pagination patterns:
# Pattern 1: query parameter
# https://site.com/products?page=1
# https://site.com/products?page=2
# Pattern 2: path segment
# https://site.com/products/page/1/
# https://site.com/products/page/2/
# Build URLs for pages 1 to 5
base_url <- 'https://books.toscrape.com/catalogue/page-'
page_urls <- paste0(base_url, 1:5, '.html')
page_urls
# [1] 'https://books.toscrape.com/catalogue/page-1.html'
# [2] 'https://books.toscrape.com/catalogue/page-2.html' ...Construindo padrões de URL com sprintf
sprintf() e paste0() constroem cadeias de caracteres de URL, mas sprintf() oferece mais controle sobre o preenchimento com zeros e a formatação. Use a função que corresponder à estrutura de URLs do site.
# Various URL building approaches
# paste0 for simple concatenation
pages <- 1:5
urls_v1 <- paste0('https://site.com/list?p=', pages)
urls_v1[1] # 'https://site.com/list?p=1'
# sprintf for formatted strings
urls_v2 <- sprintf('https://site.com/page/%02d/', pages)
urls_v2[1] # 'https://site.com/page/01/'
# With multiple parameters
urls_v3 <- sprintf('https://site.com/items?page=%d&size=20', pages)
urls_v3[3] # 'https://site.com/items?page=3&size=20'
# glue package alternative
# glue('https://site.com/page/{pages}')Extraindo várias páginas com map()
purrr::map() aplica uma função de raspagem a um vetor de URLs, retornando uma lista de resultados. Combine-a com dplyr::bind_rows() para mesclar os resultados em um único quadro de dados.
library(rvest)
library(purrr)
# Define a function to scrape one page
scrape_page <- function(url) {
# In real code: page <- read_html(url)
# Here we simulate with local HTML
page <- read_html(sprintf(
'<ul><li class="item">Item %d-A</li><li class="item">Item %d-B</li></ul>',
url, url
))
data.frame(
title = html_text2(html_elements(page, '.item')),
page = url
)
}
# Apply over pages 1 and 2 (simulated with numbers)
results <- map(1:2, scrape_page)
do.call(rbind, results)Raspagem cuidadosa: Sys.sleep()
Enviar solicitações rápidas em sequência a um servidor é indelicado e pode acionar limitação de taxa ou bloqueios de IP. Adicione Sys.sleep() entre as solicitações para respeitar o servidor. Um atraso de 1 a 2 segundos geralmente é suficiente.
library(rvest)
# Polite scraping with delays between requests
scrape_with_delay <- function(urls, delay = 1.5) {
results <- vector('list', length(urls))
for (i in seq_along(urls)) {
cat(sprintf('Scraping page %d of %d\n', i, length(urls)))
# results[[i]] <- read_html(urls[[i]])
Sys.sleep(delay) # Wait before next request
}
results
}
# Also: randomize delay to appear more human-like
random_delay <- function(min = 1, max = 3) {
Sys.sleep(runif(1, min = min, max = max))
}
random_delay()
cat('Always be polite to servers you scrape')Definindo um agente do usuário
Identifique seu raspador de forma educada definindo um cabeçalho User-Agent descritivo. Os servidores usam esse cabeçalho para identificar robôs. Um bom User-Agent inclui seu nome e suas informações de contato, para que os responsáveis pelo site possam entrar em contato com você.
library(rvest)
# Default user agent reveals R/rvest
# Better: set a descriptive, honest UA
ua <- paste0(
'MyResearchBot/1.0 ',
'(Academic research; ',
'contact: researcher@university.edu)'
)
# With httr/httr2 for UA control:
# library(httr2)
# response <- request(url) |>
# req_headers('User-Agent' = ua) |>
# req_perform()
# html <- read_html(resp_body_string(response))
# Or use polite package for full compliance:
# library(polite)
# session <- bow('https://example.com', user_agent = ua)
cat('Honest UA: better for everyone')Respeitando robots.txt
robots.txt informa aos rastreadores quais caminhos estão proibidos. O pacote robotstxt permite verificar programaticamente se uma URL é permitida antes de extraí-la.
library(rvest)
# library(robotstxt) # uncomment to use
# Check if scraping is allowed:
# rtxt <- robotstxt(domain = 'books.toscrape.com')
# rtxt$check(paths = '/catalogue/', bot = '*')
# TRUE means allowed
# Robots.txt typically looks like:
# User-agent: *
# Disallow: /admin/
# Disallow: /private/
# Allow: /catalogue/
# Crawl-delay: 2
# The polite package combines UA + robots.txt + delays:
# library(polite)
# session <- bow('https://books.toscrape.com')
# page <- scrape(session)
cat('Always check robots.txt before large-scale scraping')Seguindo links de paginação
Em vez de adivinhar as URLs, siga o link 'Próxima' real em cada página. html_attr(html_element(page, 'a.next'), 'href') encontra dinamicamente o link para a próxima página — e lida com padrões de paginação não sequenciais.
library(rvest)
# Pattern: follow 'next' links dynamically
scrape_all_pages <- function(start_url, max_pages = 10) {
all_data <- list()
url <- start_url
i <- 1
while (!is.null(url) && i <= max_pages) {
# page <- read_html(url)
# data <- extract_data(page)
# all_data[[i]] <- data
# next_link <- html_attr(html_element(page, 'li.next a'), 'href')
# url <- if (!is.na(next_link)) xml2::url_absolute(next_link, url)
# else NULL
cat(sprintf('Would scrape page %d: %s\n', i, url))
url <- NULL # Stop in this demo
i <- i + 1
}
do.call(rbind, all_data)
}
scrape_all_pages('https://books.toscrape.com')session_follow_link() com rvest
session() do rvest cria uma sessão de navegação com estado que mantém cookies e histórico. session_follow_link() navega até um link — algo útil para sites que exigem login ou mantêm o estado entre páginas.
library(rvest)
# Stateful session with rvest
# s <- session('https://example.com/login')
# s <- session_submit(s,
# html_form(read_html(s))[[1]],
# list(username='me', password='pw')
# )
# After login, navigate:
# page2 <- session_follow_link(s, 'Products')
# page3 <- session_back(page2) # go back
# session_history(page2) # show history
# For simple cases, follow href directly:
# href <- html_attr(html_element(page, 'a.next'), 'href')
# next_page <- session_jump_to(s, href)
cat('session() maintains cookies across requests')Detectando a última página
Saiba quando parar: verifique se o botão 'Próxima' existe, se a contagem de itens da página atual é menor que a esperada ou se o número da página ultrapassa um total conhecido. Trate os casos extremos de forma adequada.
library(rvest)
# Strategy 1: Check if 'Next' link exists
has_next <- function(page) {
next_link <- html_element(page, 'li.next a')
!is.na(html_attr(next_link, 'href'))
}
# Strategy 2: Compare item count to expected page size
page_size <- 20
check_done <- function(items_on_page) {
items_on_page < page_size
}
# Strategy 3: Read total from pagination text
# e.g., 'Page 1 of 50' -> extract 50
extract_total_pages <- function(page) {
text <- html_text2(html_element(page, '.current'))
as.integer(gsub('.*of (\\d+).*', '\\1', text))
}
cat('Always plan your stopping condition')Lidando com erros de raspagem
Erros de rede, tempos limite e erros 404 acontecerão. Envolva as solicitações em tryCatch() para tratar as falhas adequadamente e registre quais páginas falharam, para que você possa tentar novamente mais tarde.
library(rvest)
safe_scrape <- function(url) {
tryCatch({
# page <- read_html(url)
# data <- extract_data(page)
# return(data)
cat(sprintf('Scraping: %s\n', url))
data.frame(url = url, status = 'ok')
}, error = function(e) {
cat(sprintf('FAILED: %s -> %s\n', url, e$message))
data.frame(url = url, status = 'error')
})
}
urls <- c('https://example.com/page/1',
'https://example.com/page/2')
results <- lapply(urls, safe_scrape)
do.call(rbind, results)Armazenando páginas extraídas em cache
Salve o HTML baixado no disco antes de analisá-lo. Assim, se a análise falhar, você não precisará baixá-lo novamente. As novas leituras virão do disco, não da rede — uma prática cuidadosa e rápida durante o desenvolvimento.
library(rvest)
scrape_cached <- function(url, cache_dir = 'cache') {
dir.create(cache_dir, showWarnings = FALSE)
# Create a filename from URL hash
fname <- file.path(cache_dir,
paste0(digest::digest(url), '.html'))
if (file.exists(fname)) {
cat('Loading from cache\n')
return(read_html(fname))
}
cat('Downloading...\n')
# page <- read_html(url)
# xml2::write_html(page, fname)
# return(page)
cat('Cached to:', fname, '\n')
}
# Without digest: use URLencode or gsub
url <- 'https://example.com/page/1'
fname <- gsub('[^a-z0-9]', '_', tolower(url))
cat(fname)Verificação rápida
Teste sua compreensão sobre raspagem cuidadosa e robusta de várias páginas.
Recapitulação: paginação e raspagem cuidadosa
Principais conclusões: construa URLs de páginas com paste0() ou sprintf(). Use purrr::map() para aplicar a raspagem a muitas URLs. Sempre adicione Sys.sleep() entre as solicitações. Verifique robots.txt com o pacote robotstxt. Siga dinamicamente os links 'Próxima' com html_attr() ou session_follow_link(). Detecte a última página verificando a ausência do link Próxima. Envolva as solicitações em tryCatch() para aumentar a tolerância a erros. Armazene o HTML em cache no disco durante o desenvolvimento.
# Multi-page scraping template:
# urls <- paste0(base, 1:n_pages)
# results <- purrr::map(urls, function(url) {
# Sys.sleep(runif(1, 1, 2)) # polite delay
# page <- read_html(url)
# extract_data(page) # your parser
# })
# df <- dplyr::bind_rows(results)
# Key principles:
# 1. Respect robots.txt
# 2. Add delays (Sys.sleep)
# 3. Set honest User-Agent
# 4. Cache HTML during development
# 5. Handle errors with tryCatch
cat('Polite scraping = sustainable scraping')Perguntas Frequentes
A aula “Lidando com paginação e várias páginas” é grátis?
Sim — o texto completo de “Lidando com paginação e várias páginas” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de R Academy, atualize para CoddyKit PRO. O curso de R Academy inclui 4 aulas no total.
O que vou aprender em “Lidando com paginação e várias páginas”?
Percorra resultados paginados e combine os dados extraídos em um único conjunto de dados. Você pratica R Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar R Academy?
Nenhuma experiência prévia é necessária. R Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Lidando com paginação e várias páginas”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de R Academy?
Sim. Cada aula de R Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Estrutura HTML e seletores CSS
- Fundamentos de html_element() e html_text()
- Extraindo tabelas e links
- Lidando com paginação e várias páginas