R语言-Kindle特价书爬榜示例 & 输出HTML小技巧（转）
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。
End
转自：http://mp.weixin.qq.com/s?__biz=MzA3MTM3NTA5Ng==&mid=2651055375&idx=1&sn=5c9e12352eab84012bc26cb9851a96b2&chksm=84d9c498b3ae4d8e015575ae573d13c553a33ee08403e7a86853b426d6a7b06087fb02ab1bbc&scene=0#rd
