使用R语言rvest包爬取Instagram博客无法获取文章正文问题求助

• CSS选择器语法错误：多类名元素选择不能用空格分隔，空格是后代选择符，你的写法实际是查找对应类名下的同名标签，该类标签不存在因此返回空。多类名选择需要用.直接拼接类名，例如同时匹配a、b两个类的元素要写为.a.b。
• 选择器稳定性差：你使用的_8ig0、_9g5w这类名称是Instagram前端自动生成的哈希类名，会随页面版本更新频繁变动，即使修正语法也可能随时失效。
• 原有代码存在笔误：抓取作者日期的代码中，管道符被注释符号遮挡，导致html_text()没有生效，拿到的是节点对象而非文本内容。

修正后的可运行代码如下，提供两种正文抓取方案可选：

library(tidyverse)
library(rvest)
library(stringr)

# 目标页面链接
url <- 'https://about.instagram.com/blog/announcements/break-down-how-instagram-search-works'
# 单次读取页面，避免重复请求
page <- read_html(url)

# 抓取文章标题
titles <- page %>% 
  html_nodes('h1') %>%
  html_text()

# 抓取作者与发布日期，修正管道符注释问题
author_date <- page %>% 
  html_nodes('._8hlt ._8hlu') %>%
  html_text()
author <- author_date[1]  
date <- author_date[2]

# 正文抓取方案1：修正原选择器语法，适配当前页面类名
text <- page %>%
  html_nodes("._8ig0._8g86 ._9g5w._8iq8._8ipi p") %>%
  html_text()

# 正文抓取方案2：语义化定位，不依赖哈希类名，后续稳定性更高
# text <- page %>%
#   html_elements("article p") %>%
#   html_text()

# 合并所有段落为完整文本
full_article_text <- str_c(text, collapse = "\n\n")

代码说明：

• 单次读取页面存储为变量，避免重复发起请求，提升抓取效率
• 方案2通过<article>语义标签定位正文区域，不受前端类名迭代影响，更适合长期使用
• 最终得到的full_article_text就是合并好的完整正文内容

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