一个爬网页的练习：看看 R 邮件列表中最热门的讨论是什么
dapengde Jiena tctcab 欢迎各位整理一下给主站投稿 <https://cosx.org/contribute/>
dapengde @tctcab Cloud2016 @yihui
统计之都 （本坛子）也爬好了。从2006年建站开始截至到 2019-06-17 一共有28310篇帖子， 1422 页 （也就是说如果您想手动爬到底的话，要单击“载入更多” 1421 次。。。所以还是写个程序吧。）， 第一篇帖子是： https://d.cosx.org/d/5-5 ，题目为”hehe 瞎提意见“， 这篇帖子是 2006-05-20T21:32:35+00:00 创立的。
- 根据讨论回复数量的前十名：
> everything_cos2_replies[1:10,] Comment_count Participant_count URL create_Date last_post_Date active_days 1 1261 1184 https://d.cosx.org/d/1553 2006-09-03 2019-06-14 4667 2 923 850 https://d.cosx.org/d/13775 2009-01-16 2017-12-03 3243 3 802 714 https://d.cosx.org/d/818 2006-08-01 2019-04-27 4652 4 796 589 https://d.cosx.org/d/7865 2007-09-14 2018-07-18 3960 5 633 590 https://d.cosx.org/d/2013 2006-09-29 2010-09-21 1453 6 533 289 https://d.cosx.org/d/9233 2007-12-29 2018-08-06 3873 7 528 450 https://d.cosx.org/d/8949 2007-12-09 2018-11-18 3997 8 520 424 https://d.cosx.org/d/14985 2009-04-22 2019-05-29 3689 9 507 490 https://d.cosx.org/d/13875 2009-02-02 2017-12-01 3224 10 359 25 https://d.cosx.org/d/14141 2009-02-28 2017-10-19 3155 - 根据讨论参与人数的前十名帖子：
*根据活动天数（最新的回复-初始贴的日期）最久的前十名：> everything_cos2_participants[1:10,] Comment_count Participant_count URL create_Date last_post_Date active_days 1 1261 1184 https://d.cosx.org/d/1553 2006-09-03 2019-06-14 4667 2 923 850 https://d.cosx.org/d/13775 2009-01-16 2017-12-03 3243 3 802 714 https://d.cosx.org/d/818 2006-08-01 2019-04-27 4652 4 633 590 https://d.cosx.org/d/2013 2006-09-29 2010-09-21 1453 5 796 589 https://d.cosx.org/d/7865 2007-09-14 2018-07-18 3960 6 507 490 https://d.cosx.org/d/13875 2009-02-02 2017-12-01 3224 7 528 450 https://d.cosx.org/d/8949 2007-12-09 2018-11-18 3997 8 520 424 https://d.cosx.org/d/14985 2009-04-22 2019-05-29 3689 9 344 293 https://d.cosx.org/d/2070 2006-10-05 2017-03-07 3806 10 533 289 https://d.cosx.org/d/9233 2007-12-29 2018-08-06 3873> everything_cos2_active_days[1:10,] Comment_count Participant_count URL create_Date last_post_Date active_days 1 160 121 https://d.cosx.org/d/35 2006-05-25 2019-04-03 4696 2 1261 1184 https://d.cosx.org/d/1553 2006-09-03 2019-06-14 4667 3 802 714 https://d.cosx.org/d/818 2006-08-01 2019-04-27 4652 4 205 160 https://d.cosx.org/d/1 2006-05-19 2018-10-24 4541 5 34 31 https://d.cosx.org/d/464 2006-06-22 2018-10-19 4502 6 24 19 https://d.cosx.org/d/2739 2006-11-30 2019-03-12 4485 7 18 7 https://d.cosx.org/d/3004 2006-12-15 2019-02-04 4434 8 42 26 https://d.cosx.org/d/2963 2006-12-12 2019-01-14 4416 9 44 30 https://d.cosx.org/d/6142 2007-05-01 2019-05-24 4406 10 30 20 https://d.cosx.org/d/16 2006-05-23 2018-05-30 4390 - csv 数据： https://github.com/jienagu/tidyverse_examples/blob/master/COS_raw_data.csv
- 源代码： https://github.com/jienagu/tidyverse_examples/blob/master/Web_scraping_COS_Chinese.R
我目前用的是 window，跟中文八字不合，有兴趣的小伙伴们可以根据我贴的源代码加上中文标题，标题在 attributes 的列名就是title.
手动查了一下，cos论坛基于flarum，查了一下是有REST api来提取讨论的，地址是
https://d.cosx.org/api/discussions?page[limit]=50
试了一下每个请求最大返回50串，
这个好处是不用20串一扒减少了三分之二对cos服务器的轰炸…（28310/50=568.6）
另外代码也可以精简很多，省去rvest的操作，直接jsonlite读数据, 甚至下一页的链接也可以在api返回的links里找到
最终代码：
firsturl = "https://d.cosx.org/api/discussions?page[limit]=50"
cos.li = list()
counter = 1
cos.li[[counter]] = jsonlite::fromJSON(firsturl)
# if the next link exists, scrape it.
while ("next" %in% names(cos.li[[counter]]$links)) {
counter = counter +1
cos.li[[counter]] = jsonlite::fromJSON(cos.li[[counter-1]]$links[['next']])
}
## combine all df
cos.all = do.call(rbind,
lapply(cos.li, function(l) {
df = l$data$attributes
df$link = paste0("https://d.cosx.org/d/", l$data$id)
return(df)
}))不过碰到个问题，爬到“https://d.cosx.org/api/discussions?page[limit]=50?page[offset]=9550”
的时候出现http 500 内部错误，浏览器直接可以打开但是R里用上面jsonlite::fromJSON的话始终会出错，好奇怪
- 已编辑
tctcab 试了一下，我觉得是问题来自 9550 的下下一页：
<https://d.cosx.org/api/discussions?page%5Blimit%5D=50&page%5Boffset%5D=9650>
浏览器打开就是错误 500。
为了跳过这一页，我把楼上 Jiena tctcab 的方法柔在了一起：
# get the max page (1422 pages on 2019-06-18)
get_maxpage <- function(page_range = 1421:1500){
for (i in page_range) {
print(paste(Sys.time(), i))
COS_link <- xml2::read_html(paste0('https://d.cosx.org/all?page=', i))
url_vector= rvest::html_attr(rvest::html_nodes(COS_link, "a"), "href")
last_link = url_vector[length(url_vector)]
last_number <- as.numeric(gsub("[https://d.cosx.org/all?page=]", "",last_link) )
if(last_number <= i - 1){
message('There are ', i, ' pages with 20 posts on each.')
return(i)
}
}
}
# get json from cos
get_js <- function(url){
print(paste(Sys.time(), url))
mytry <- try(jsonlite::fromJSON(url))
if(class(mytry) == 'try-error') return(NULL)
jsonlite::fromJSON(url)
}
maxpage <- get_maxpage(1421:1500)
cos_url <- paste0('https://d.cosx.org/api/discussions?page%5Blimit%5D=50&page%5Boffset%5D=', seq(0, maxpage * 20, 50) + 50)
cos_js <- lapply(cos_url, get_js)可以看到， 500 错误不仅出现在读 9550 时，还出现在多处，例如 10350 和 11650，因为他们的下下一页用浏览器打开就是 500 错误：
<https://d.cosx.org/api/discussions?page%5Blimit%5D=50&page%5Boffset%5D=10450>
<https://d.cosx.org/api/discussions?page%5Blimit%5D=50&page%5Boffset%5D=11750>
- 已编辑
晒泥版新增 COS 页面！中文标题加进来啦 Jiena
- 已编辑
- 你是说把他仨分成三个彼此独立的站点吗？那倒是容易，而且也快。
- 调整年限后断开连接的情况我还没遇见。一般情况下，用户几分钟没活动时就会自动断开，是为了节省 shinyapps.io 的机时。
- 确实慢，因为加载时要从 https://stat.ethz.ch/ 上读取最新的数据。等哪位把 trivis 弄好吧。此外，authors 统计数据载入得最慢，用处似乎不大，玩两天就删掉得了。
- 已编辑
Jiena 不客气。都是在你们的基础上完成的。这个 shiny 工具我们共同署名好不好？@tctcab @Cloud2016 @yihui
回头我打成个包，便于本地使用。
