R语言电商网站爬虫

由于电商网站的数据的实时性要求，数据分析时一般直接从网页爬取。因此使用爬虫的方法显得十分重要。R作为数据分析的软件，可以直接对爬取的数据进行后续处理，加上上手快的特点，是电商网站数据爬取和分析的好工具。

下面以?http://cn.shopbop.com/为例简单分享下使用Rcurl对网站进行数据爬取的过程。

首先需要在Rgui里安装需要的软件包

require("RCurl")

require("rjson")

require(stringr)

require(XML)
#得到网页地址，并将其转换成html源码

url = "http://cn.shopbop.com/"

doc = getURL(url) 

txt = htmlParse(doc, asText = TRUE)

print(txt)

#由于获取网页中商品数据需要对html源码结构进行分析，因此可以直接在浏览器中查看后，再到R中进行编辑

在源码中很容易找到网站导航中子网站的网址

#因此可以通过xmlPath语言找到相应子网站的节点

a <- getNodeSet(txt, path = "//a[@class = 'parent topnav-logged-in ']")#找到子网页的xml路径?

如果得到的中文有乱码，则需要对编码进行转换

b <- sapply(a,xmlValue)

c <- iconv(b,"utf-8","gbk")

c

否则可以通过xmlGetAttr函数得到所需的attributes

?d <- sapply(a,xmlGetAttr , "href")#获取子网页

??由于得到的只是子网页的路径，要获取子网页的数据需要用paste链接网站根目录地址

d1=paste(url,d[1],sep="" )

?#对于批量爬取商品的信息还需要获取商品展示子网页的页数

?每页显示40个商品，一共有1200个商品。

???通过网址，我们很容易了解商品展示页的地址规则。

#因此，可以通过一个简单的循环来获取所有网页的地址，从而获取每个网页的所有商品信息。???

a <- getNodeSet(txt, path = "//span[@class = 'page-number']")#找到子网页的xml路径?（部分代码省略）

d <- sapply(a,xmlGetAttr , "data-number-link")#获取子网页中的目录

pagenum=strsplit(d,"=")

maxpagenum=0;

for(i in 1:length(pagenum)){

  maxpagenum[i]= pagenum[[i]][3]

  

  

}

maxpagenum=max(as.numeric(maxpagenum))

#[1] 1200