- A+
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:
- install.packages("rvest")
- install.packages("data.table")
- 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
- library(rvest)
- library(data.table)
- library(dplyr)
- #这里是导入网址。研究一下amazon的顺序,直接导入就好
- id<-1:5
- url_increase_fast<-paste0(
- "http://www.amazon.cn/gp/movers-and-shakers/digital-text/ref=zg_bsms_digital-text_pg_",
- id,
- "?ie=UTF8&pg=",
- id)
- url_newest<-paste0(
- "http://www.amazon.cn/gp/new-releases/digital-text/ref=zg_bsnr_digital-text_pg_",
- id,
- "?ie=UTF8&pg=",
- id)
- url<-c(url_increase_fast,url_newest)
- #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。
- #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
- readdata<-function(i){
- web<-html(url[i],encoding="UTF-8")
- title<-web %>% html_nodes("div.zg_title") %>% html_text()
- title_short<-substr(title,1,20)
- price<-as.numeric(gsub("¥ ","",web %>% html_nodes("div.zg_itemPriceBlock_normal strong.price") %>% html_text()))
- ranking_movement<-web %>% html_nodes("span.zg_salesMovement") %>% html_text()
- rank_number<-as.numeric(gsub("\\.","",web %>% html_nodes("span.zg_rankNumber") %>% html_text()))
- #新书榜里没有销售变动记录,所以记为NA
- if (length(ranking_movement)==0) {ranking_movement=rep(NA,20)
- rank_number=rep(NA,20)}
- link<-gsub("\\\n","",web %>% html_nodes("div.zg_title a") %>% html_attr("href"))
- ASIN<-sapply(strsplit(link,split = "/dp/"),function(e)e[2])
- img<-web %>% html_nodes("div.zg_itemImage_normal img") %>% html_attr("src")
- #这里加上html代码
- img_link<-paste0("<img src='",img,"'>")
- title_link<-paste0("<a href='",link,"'>",title_short,"</a>")
- #合并数据
- combine<-data.table(img_link,title_link,price,ranking_movement)
- setnames(combine,c("图像","书名","价格","销售变动"))
- #以防被封IP,设为5秒跑一次数据。
- Sys.sleep(5)
- combine
- }
- #做一个循坏开始跑数
- final<-data.table()
- for (i in 1:10){
- final<-rbind(final,readdata(i))
- print(i)
- }
- #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>
- transfer_html_table<-function(rawdata){
- title<-paste0("<th>",names(rawdata),"</th>")
- content<-sapply(rawdata,function(e)paste0("<td>",e,"</td>"))
- content<-apply(content,1,function(e) paste0(e,collapse = ""))
- content<-paste0("<tr>",content,"</tr>")
- bbb<-c("<table border=1><tr>",title,"</tr>",content,"</table>")
- bbb
- }
- #这里应用transfer_html_table函数,把榜单输出为html表格
- final_less1<-transfer_html_table(rawdata=final %>% filter(价格<=1))
- write(final_less1,"~//Kindle-低于1元特价书.html")
- final_1_2<-transfer_html_table(rawdata=final %>% filter(价格>1 & 价格<=2))
- write(final_1_2,"~//Kindle_1-2元特价书.html")
- final_2_5<-transfer_html_table(rawdata=final %>% filter(价格>2 & 价格<=5))
- 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。。。
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
支付宝打赏
微信打赏
赏