Обработка разбивки на страницы и нескольких страниц
Перебирайте страницы результатов и объединяйте собранные данные в единый набор.
«Обработка разбивки на страницы и нескольких страниц» — бесплатный урок R Academy на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения R Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс R Academy содержит 4 уроков всего.
Понимание разбиения на страницы
Многие веб-сайты разделяют содержимое на несколько страниц. При разбиении по URL к URL добавляется номер страницы (например, ?page=2 или /page/2/). Определите закономерность, чтобы программно создавать URL.
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' ...Создание шаблонов URL с помощью sprintf
sprintf() и paste0() позволяют создавать строки URL, но sprintf() даёт больше возможностей для добавления нулей в начале и форматирования. Используйте функцию, которая соответствует структуре URL сайта.
# 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}')Сбор нескольких страниц с помощью map()
purrr::map() применяет функцию сбора данных к вектору URL и возвращает список результатов. Объедините её с dplyr::bind_rows(), чтобы получить одну таблицу данных.
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)Корректный скрейпинг: Sys.sleep()
Быстрая отправка запросов на сервер — невежливое поведение, которое может привести к ограничению частоты запросов или блокировке IP. Добавляйте Sys.sleep() между запросами, чтобы не перегружать сервер. Обычно достаточно задержки в 1–2 секунды.
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')Настройка User-Agent
Корректно представьтесь как скрейпер, задав информативный заголовок User-Agent. Серверы используют его для идентификации роботов. Хороший User-Agent содержит Ваше имя и контактные данные, чтобы владельцы сайта могли связаться с Вами.
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')Соблюдение robots.txt
robots.txt сообщает поисковым роботам, какие пути запрещены для доступа. Пакет robotstxt позволяет программно проверить, разрешён ли URL, прежде чем собирать с него данные.
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')Переход по ссылкам разбиения на страницы
Вместо того чтобы угадывать URL, переходите по настоящей ссылке «Далее» на каждой странице. html_attr(html_element(page, 'a.next'), 'href') динамически находит ссылку на следующую страницу и обрабатывает нестандартные схемы разбиения.
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() в rvest
session() из rvest создаёт состояние сеанса просмотра, сохраняющее файлы cookie и историю. session_follow_link() переходит по ссылке — это полезно для сайтов, требующих входа или сохранения состояния между страницами.
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')Определение последней страницы
Важно знать, когда остановиться: проверьте, существует ли кнопка «Далее», меньше ли ожидаемого количество элементов на текущей странице или превышает ли номер страницы известное общее количество. Корректно обрабатывайте пограничные случаи.
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')Обработка ошибок скрейпинга
Сетевые ошибки, превышение времени ожидания и ответы 404 неизбежны. Оберните запросы в tryCatch(), чтобы корректно обрабатывать сбои, и записывайте в журнал страницы, обработка которых завершилась неудачно, чтобы позднее повторить попытку.
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)Кэширование собранных страниц
Сохраняйте загруженный HTML на диске до разбора. Если разбор завершится неудачно, Вам не придётся скачивать страницу заново. Повторное чтение выполняется с диска, а не по сети, что удобно и быстро во время разработки.
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)Быстрая проверка
Проверьте, насколько хорошо Вы понимаете корректный и надёжный сбор данных с нескольких страниц.
Итоги: разбиение на страницы и корректный скрейпинг
Главное: создавайте URL страниц с помощью paste0() или sprintf(). Используйте purrr::map(), чтобы применять сбор данных к множеству URL. Всегда добавляйте Sys.sleep() между запросами. Проверяйте robots.txt с помощью пакета robotstxt. Динамически переходите по ссылкам «Далее» с помощью html_attr() или session_follow_link(). Определяйте последнюю страницу по отсутствию ссылки «Далее». Оборачивайте запросы в tryCatch() для устойчивой обработки ошибок. Во время разработки кэшируйте HTML на диске.
# 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')Изучай R с ИИ-репетитором — бесплатно
Пиши и запускай код прямо в браузере, получай мгновенную помощь от ИИ-репетитора 24/7 и продолжи учиться на сайте или в приложении.
- Курсы
- 43
- Уроки
- 159
Часто задаваемые вопросы
Урок «Обработка разбивки на страницы и нескольких страниц» бесплатный?
Да — полный текст урока «Обработка разбивки на страницы и нескольких страниц» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс R Academy, подпишись на CoddyKit PRO. Курс R Academy содержит 4 уроков всего.
Чему я научусь в уроке «Обработка разбивки на страницы и нескольких страниц»?
Перебирайте страницы результатов и объединяйте собранные данные в единый набор. Ты практикуешь R Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать R Academy?
Предыдущий опыт не требуется. R Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Обработка разбивки на страницы и нескольких страниц»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке R Academy?
Да. Каждый урок R Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Структура HTML и селекторы CSS
- Основы html_element() и html_text()
- Скрейпинг таблиц и ссылок
- Обработка разбивки на страницы и нескольких страниц