如何在rvest已认证会话中下载PDF文件

问题原因 #

download.file() 是独立发起HTTP请求的函数，不会共享rvest会话中存储的登录态Cookie、身份校验头等信息，因此会被服务器判定为未登录请求，返回登录页HTML。而你调用session_submit()后返回的会话对象已经包含了完整的PDF二进制响应数据，不需要重复发起下载请求。

修复后的代码 #

# 登录DLG档案库
login <- "https://dlgarchiv.lv.de/pdf/616694ca9b67fDLG_14-19_10_2021.pdf"
pgsession <- session(login)
pgform <- html_form(pgsession)[[1]]
filled_form <- html_form_set(pgform, customerno="*******", plz="*****")
# 接收提交表单后返回的会话对象，该对象已包含PDF资源
pdf_session <- session_submit(filled_form)

# 直接从会话中提取二进制内容写入本地文件
writeBin(pdf_session$content, con = "test.pdf", useBytes = TRUE)

扩展用法（同会话多文件下载） #

如果需要在同一个登录会话中下载多个PDF，不需要重复登录，直接复用已验证的会话发起请求即可：

# 示例：下载同一会话下的第二个PDF
second_pdf_url <- "第二个PDF的资源链接"
second_pdf_session <- session_jump_to(pdf_session, second_pdf_url)
writeBin(second_pdf_session$content, con = "second.pdf", useBytes = TRUE)

注意事项 #

• 写入文件后如果无法正常打开PDF，可先打印pdf_session$response$headers$content-type``校验返回内容类型，确认是application/pdf再存储。
• 会话存在有效期限制，批量下载时不要间隔太久，避免登录态失效。

内容的提问来源于stack exchange，提问作者zielonygrzyb