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。

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("span.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NA27         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         combine41 }42 43 #做一个循坏开始跑数44 final<-data.table()45 for (i in 1:10){46         final<-rbind(final,readdata(i))47         print(i)48 }49 50 #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>51 transfer_html_table<-function(rawdata){52         title<-paste0("<th>",names(rawdata),"</th>")53         content<-sapply(rawdata,function(e)paste0("<td>",e,"</td>"))54         content<-apply(content,1,function(e) paste0(e,collapse = ""))55         content<-paste0("<tr>",content,"</tr>")56         bbb<-c("<table border=1><tr>",title,"</tr>",content,"</table>")57         bbb58 }59 #这里应用transfer_html_table函数，把榜单输出为html表格60 final_less1<-transfer_html_table(rawdata=final %>% filter(价格<=1))61 write(final_less1,"~//Kindle-低于1元特价书.html")62 63 64 final_1_2<-transfer_html_table(rawdata=final %>% filter(价格>1 & 价格<=2))65 write(final_1_2,"~//Kindle_1-2元特价书.html")66 67 final_2_5<-transfer_html_table(rawdata=final %>% filter(价格>2 & 价格<=5))68 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