0Pricing
R Academy · Aula

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

  1. Estrutura HTML e seletores CSS
  2. Fundamentos de html_element() e html_text()
  3. Extraindo tabelas e links
  4. Lidando com paginação e várias páginas
← Voltar para R Academy