在R中登錄后下載/抓取/訪問在線PDF

Question

我目前正在嘗試使用制表符從大量文件中導入pdf表。 Tabulizer對於pdf來說效果驚人，我要做的就是：

table <- extract_tables("pdf_path" or "pdf_url)

但是，我遇到的問題是我嘗試從中提取這些pdf的網站需要您登錄（免費）才能查看pdf。 因此，我嘗試使用rvest和httr登錄到網站，然后抓取pdf。

url <- 'https://www.krollbondratings.com/show_report/20265'
session <- html_session(url)
url <- jump_to(session, "https://www.krollbondratings.com/auth?uri=/show_report/20265")
form <- html_form(read_html(url))[[2]]
filled_form <- set_values(form,
                          email = "my_email",
                          password = "password")

pdf <- submit_form(session, filled_form)

這是我遇到的問題，我知道我朝着正確的方向前進，因為“ submit_form（session，filled_form）”的輸出為：

<session> https://www.krollbondratings.com/show_report/20265
  Status: 200
  Type:   application/pdf
  Size:   260625

顯然，它實際上可以成功登錄並查看pdf，但是，我不知道如何使它保持登錄狀態，並使用download.file或tabulizers extract_tables實際下載/訪問pdf。

登錄后使用https URL下載文件

這是我找到的最好的教程，但是實際上並沒有下載pdf文件，而是下載了對我無用的html文件。

謝謝大家的寶貴時間。

Answer 1

解決了，它實際上確實下載了pdf文件，但不是pdf格式！

url <- 'https://www.krollbondratings.com/show_report/20265'
session <- html_session(url)
url <- jump_to(session, "https://www.krollbondratings.com/auth?uri=/show_report/20265")
form <- html_form(read_html(url))[[2]]
filled_form <- set_values(form,
                          email = "my_email",
                          password = "password")
pdf <- submit_form(session, filled_form)
download_url <- 'https://www.krollbondratings.com/show_report/20265'
writeBin(download$response$content, basename(download_url))