R语言|Kindle特价书爬榜示例 & 输出HTML小技巧

  • A+
所属分类:R语言

自从买了kindle以后,总是想要定期刷有没有便宜的书,amazon经常有些1元/2元的书打特价,但是每次都去刷那些榜单太麻烦了,而且榜单又不能按照价格排名,捞书有点累

所以自己用R语言的rvest包简单写了一个小程序,让它自动按照不同价格区间把特价书给分出来。

主要看的是kindle新品排行榜和最快畅销榜。

销售爬升最快榜: http://www.amazon.cn/gp/movers-and-shakers/digital-text/

新品榜: http://www.amazon.cn/gp/new-releases/digital-text/

需要预先安装data.table / dplyr / rvest包。

代码如下:

  1. install.packages("rvest")
  2. install.packages("data.table")
  3. install.packages("dplyr")

主要分享点是:

1、Rvest的简单应用实例

2、如何把数据框(data.frame or table) 输出为html文件,即添加html脚本的方法

  1. library(rvest)
  2. library(data.table)
  3. library(dplyr)
  4. #这里是导入网址。研究一下amazon的顺序,直接导入就好
  5. id<-1:5
  6. url_increase_fast<-paste0(
  7.         "http://www.amazon.cn/gp/movers-and-shakers/digital-text/ref=zg_bsms_digital-text_pg_",
  8.         id,
  9.         "?ie=UTF8&pg=",
  10.         id)
  11. url_newest<-paste0(
  12.         "http://www.amazon.cn/gp/new-releases/digital-text/ref=zg_bsnr_digital-text_pg_",
  13.         id,
  14.         "?ie=UTF8&pg=",
  15.         id)
  16. url<-c(url_increase_fast,url_newest)
  17. #这里编写readdata函数,读取网页内容。里面有些不常用的字段,为了最后导出效果好看,我没全部都导。
  18. #有额外需要的可以自己改编,譬如分类啊,好评率啊等等。对我来说,知道价格、书名就够了
  19. readdata<-function(i){
  20.         web<-html(url[i],encoding="UTF-8")
  21.         title<-web %>% html_nodes("div.zg_title") %>% html_text()
  22.         title_short<-substr(title,1,20)
  23.         price<-as.numeric(gsub("¥ ","",web %>% html_nodes("div.zg_itemPriceBlock_normal strong.price") %>% html_text()))
  24.         ranking_movement<-web %>% html_nodes("span.zg_salesMovement") %>% html_text()
  25.         rank_number<-as.numeric(gsub("\\.","",web %>% html_nodes("span.zg_rankNumber") %>% html_text()))
  26.         #新书榜里没有销售变动记录,所以记为NA
  27.         if (length(ranking_movement)==0) {ranking_movement=rep(NA,20)
  28.                                           rank_number=rep(NA,20)}
  29.         link<-gsub("\\\n","",web %>% html_nodes("div.zg_title a") %>% html_attr("href"))
  30.         ASIN<-sapply(strsplit(link,split = "/dp/"),function(e)e[2])
  31.         img<-web %>% html_nodes("div.zg_itemImage_normal img")  %>% html_attr("src")
  32.         #这里加上html代码
  33.         img_link<-paste0("<img src='",img,"'>")
  34.         title_link<-paste0("<a href='",link,"'>",title_short,"</a>")
  35.         #合并数据
  36.         combine<-data.table(img_link,title_link,price,ranking_movement)
  37.         setnames(combine,c("图像","书名","价格","销售变动"))
  38.         #以防被封IP,设为5秒跑一次数据。
  39.         Sys.sleep(5)
  40.         combine
  41. }
  42. #做一个循坏开始跑数
  43. final<-data.table()
  44. for (i in 1:10){
  45.         final<-rbind(final,readdata(i))
  46.         print(i)
  47. }
  48. #这里编写一个函数,把data.table转化为html_table#要点请查看w3school,table页,以<table>开始,表头是<th>,行与行之间是<tr>#主要就是sapply, apply,paste的应用啦……就是把数据框先加<td>,再加<tr>,最后外面套一层<table>
  49. transfer_html_table<-function(rawdata){
  50.         title<-paste0("<th>",names(rawdata),"</th>")
  51.         content<-sapply(rawdata,function(e)paste0("<td>",e,"</td>"))
  52.         content<-apply(content,1,function(e) paste0(e,collapse = ""))
  53.         content<-paste0("<tr>",content,"</tr>")
  54.         bbb<-c("<table border=1><tr>",title,"</tr>",content,"</table>")
  55.         bbb
  56. }
  57. #这里应用transfer_html_table函数,把榜单输出为html表格
  58. final_less1<-transfer_html_table(rawdata=final %>% filter(价格<=1))
  59. write(final_less1,"~//Kindle-低于1元特价书.html")
  60. final_1_2<-transfer_html_table(rawdata=final %>% filter(价格>1 & 价格<=2))
  61. write(final_1_2,"~//Kindle_1-2元特价书.html")
  62. final_2_5<-transfer_html_table(rawdata=final %>% filter(价格>2 & 价格<=5))
  63. write(final_2_5,"~//Kindle_2-5元特价书.html")

最后在我的文档("~//"表示定位到我的文档那里)会找到三个HTML文件,打开来,大概长下面这个样子,于是就可以很愉悦得选书了。Kindle时不时会把一些好书1元贱卖的~~所以有了kindle经常手贱,有这个小脚本之后我觉得我会更加手贱买书了。。。

R语言|Kindle特价书爬榜示例 & 输出HTML小技巧 R语言|Kindle特价书爬榜示例 & 输出HTML小技巧

如果大家有兴趣,还可以去搜一下R语言批处理、自动运行等文章来看,把这个代码设为定期跑一下,然后让结果能够累计保存。那么以后就知道kindle商城在什么时候调价最多了。 amazon还是比较容易爬虫的,它html页面内代码很规范整洁,除了在产品详情页里,产品描述(product description)总是被脚本保护起来,比较难爬。

以及最近开始学python了!

大牛分享了一个很好用的python IDE,叫做ANACONDA,里面那个spyder的IDE真的做的很棒~~跟rstudio有的一拼~ 而且ANACONDA集成了python 2.7,都不用单独下python了~~

然后github上有两个教程写的还蛮不错的

1、 python入门

https://github.com/qiwsir/StarterLearningPython

2、python爬虫101个示例(基于python 3)

https://github.com/compjour/search-script-scrape

作者:尾巴AR

数学建模教材(包括十大算法、matlab、lingo、spss、exce以及多种实例模型)
R语言实战(中文完整版)
Excel数据可视化分析方法大全
机器学习电子书

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: