使用R从HTML节点下载动态文件的路径获取问题

这种href以0结尾的情况，大多是因为页面的下载链接是JavaScript动态生成的——Chrome审查元素看到的是JS执行后的最终链接，但rvest和xml2默认只抓取原始静态HTML，所以拿到的是未被JS处理的初始占位值（比如0）。下面是几种可行的解决方法：

方法1：从页面元素提取ID拼接链接 #

很多政府网站的下载链接核心是唯一文档ID（比如你例子里的7620），这个ID通常会藏在页面的其他属性里，比如按钮的data-*属性、列表项的ID标签里：

library(rvest)
# 替换成目标页面的URL
target_url <- "https://ioes.dio.es.gov.br/portal/edicoes"
page <- read_html(target_url)

# 假设ID在带data-id属性的下载按钮中，根据实际页面调整选择器
doc_id <- page %>% 
  html_element("[data-id]") %>%  # 替换成实际的元素选择器
  html_attr("data-id")

# 拼接正确的下载链接
download_link <- paste0("https://ioes.dio.es.gov.br/portal/edicoes/download/", doc_id)

方法2：用RSelenium模拟浏览器加载动态内容 #

如果ID无法从静态HTML中提取，就需要模拟浏览器让JS执行完成后再抓取：

library(RSelenium)
library(rvest)

# 启动Chrome会话（需提前安装ChromeDriver并配置环境变量）
driver <- rsDriver(browser = "chrome", port = 4567L)
remDr <- driver[["client"]]

# 访问目标页面
remDr$navigate(target_url)

# 获取JS执行后的完整页面源码
page_source <- remDr$getPageSource()[[1]]
page <- read_html(page_source)

# 直接抓取正确的下载链接（替换成实际的链接选择器）
download_link <- page %>% 
  html_element("a[href*='download']") %>% 
  html_attr("href")

# 关闭浏览器会话
remDr$close()
driver$server$stop()

方法3：直接调用下载接口 #

打开Chrome开发者工具的「网络」面板，点击下载按钮，找到触发的真实请求URL，直接用httr或download.file下载：

library(httr)
# 替换成实际的下载ID
download_url <- "https://ioes.dio.es.gov.br/portal/edicoes/download/7620"
# 发送请求并保存文件
response <- GET(download_url)
writeBin(content(response, "raw"), paste0("政府公报_", Sys.Date(), ".pdf"))

内容的提问来源于stack exchange，提问作者iago nunes