Въведение в изстъргването в мрежа с помощта на R

С бума на електронната търговия, бизнесът премина в интернет. Клиентите също търсят продукти онлайн. За разлика от офлайн пазара, клиентът може в реално време да сравни цената на продукт, наличен на различни места.

Следователно конкурентното ценообразуване е нещо, което се превърна в най-важната част от бизнес стратегията.

За да поддържате цените на вашите продукти конкурентни и привлекателни, трябва да наблюдавате и следите цените, определени от вашите конкуренти. Ако знаете каква е стратегията за ценообразуване на вашите конкуренти, можете съответно да подравните стратегията си за ценообразуване, за да получите предимство пред тях.

Следователно мониторингът на цените се превърна в жизненоважна част от процеса на управление на бизнес за електронна търговия.

Може да се чудите как да получите данните, за да сравните цените.

Топ 3 начина за получаване на данните, от които се нуждаете за сравнение на цените

1. Емисии от търговци

Както може би знаете, в интернет има няколко сайтове за сравнение на цените. Тези сайтове влизат в нещо като разбирателство с бизнеса, при който получават данните директно от тях и които използват за сравнение на цените.

Тези фирми въвеждат API или използват FTP за предоставяне на данните. Като цяло комисията за препращане е това, което прави сайта за сравнение на цените финансово жизнеспособен.

2. Продуктови емисии от API на трети страни

От друга страна, има услуги, които предлагат данни за електронна търговия чрез API. Когато се използва такава услуга, третата страна заплаща обема на данните.

3. Уеб изстъргване

Уеб изстъргването е един от най-надеждните и надеждни начини за получаване на уеб данни от интернет. Той се използва все по-често в разузнаването на цените, защото е ефективен начин за получаване на данните за продуктите от сайтовете за електронна търговия.

Възможно е да нямате достъп до първата и втората опция. Следователно, изстъргването в мрежата може да ви помогне. Можете да използвате уеб изстъргване, за да се възползвате от силата на данните, за да достигнете до конкурентни цени за вашия бизнес.

Уеб изстъргването може да се използва за получаване на текущи цени за текущия пазарен сценарий и по-общо за електронната търговия. Ние ще използваме уеб изстъргване, за да получим данните от сайт за електронна търговия. В този блог ще научите как да изстържете имената и цените на продуктите от Amazon във всички категории под определена марка.

Периодичното извличане на данни от Amazon може да ви помогне да следите пазарните тенденции на ценообразуването и да ви даде възможност да задавате цените си съответно.

Съдържание

  1. Уеб изстъргване за сравнение на цените
  2. Уеб изстъргване в R
  3. Изпълнение
  4. Крайна бележка

1. Уеб изстъргване за сравнение на цените

Както казва пазарната мъдрост, цената е всичко. Клиентите вземат своите решения за покупка въз основа на цената. Те основават разбирането си за качеството на продукта на цената. Накратко, цената е това, което движи клиентите и, следователно, пазара.

Следователно сайтовете за сравняване на цени са в голямо търсене. Клиентите могат лесно да се ориентират в целия пазар, като гледат цените на един и същ продукт в различните марки. Тези уебсайтове за сравняване на цени извличат цената на един и същ продукт от различни сайтове.

Заедно с цените, уебсайтовете за сравняване на цени изтриват и данни като описание на продукта, технически спецификации и характеристики. Те проектират цялата гама от информация на една страница по сравнителен начин.

Това отговаря на въпроса, който бъдещият купувач е задал в търсенето си. Сега потенциалният купувач може да сравнява продуктите и техните цени, заедно с информация като характеристики, плащане и опции за доставка, така че да може да идентифицира възможно най-добрата налична сделка.

Оптимизирането на цените оказва въздействие върху бизнеса в смисъл, че такива техники могат да увеличат маржовете на печалба с 10%.

Електронната търговия е свързана с конкурентни цени и се е разпространила и в други бизнес области. Вземете случая с пътуването. Сега дори уебсайтове, свързани с пътувания, изрязват цената от уебсайтовете на авиокомпаниите в реално време, за да осигурят сравнение на цените на различните авиокомпании.

Единственото предизвикателство в това е да актуализирате данните в реално време и да бъдете актуални всяка секунда, тъй като цените продължават да се променят в сайтовете източници. Сайтовете за сравняване на цени използват задания Cron или по време на преглед, за да актуализират цената. Това обаче ще зависи от конфигурацията на собственика на сайта.

Тук този блог може да ви помогне - ще можете да разработите скрипт за изстъргване, който можете да персонализирате според вашите нужди. Ще можете да извличате емисии на продукти, изображения, цена и всички други подходящи подробности относно даден продукт от редица различни уебсайтове. С това можете да създадете своята мощна база данни за сайт за сравнение на цените.

2. Изстъргване на уеб в R

Сравнението на цените става тромаво, защото получаването на уеб данни не е толкова лесно - има технологии като HTML, XML и JSON за разпространение на съдържанието.

Така че, за да получите данните, от които се нуждаете, трябва ефективно да навигирате през тези различни технологии. R може да ви помогне да получите достъп до данни, съхранявани в тези технологии. Това обаче изисква малко задълбочено разбиране на R, преди да започнете.

Какво е R?

Уеб изстъргването е усъвършенствана задача, която не изпълняват много хора. Уеб изстъргването с R със сигурност е техническо и усъвършенствано програмиране. Адекватното разбиране на R е от съществено значение за изстъргването на уеб по този начин.

Като начало R е език за статистически изчисления и графики. Статистиците и майнерите на данни често използват R поради своя развиващ се статистически софтуер и фокуса му върху анализа на данните.

Една от причините R да е толкова любим сред този набор от хора е качеството на парцелите, които могат да бъдат разработени, включително математически символи и формули, където е необходимо.

R е прекрасно, защото предлага голямо разнообразие от функции и пакети, които могат да се справят със задачи за извличане на данни.

rvest, RCrawler и т.н. са R пакети, използвани за процеси на събиране на данни.

In this segment, we will see what kinds of tools are required to work with R to carry out web scraping. We will see it through the use case of Amazon website from where we will try to get the product data and store it in JSON form.

Requirements

In this use case, knowledge of R is essential and I am assuming that you have a basic understanding of R. You should be aware of at least any one R interface, such as RStudio. The base R installation interface is fine.

If you are not aware of R and the other associated interfaces, you should go through this tutorial.

Now let’s understand how the packages we’re going to use will be installed.

Packages:

1. rvest

Hadley Wickham authored the rvest package for web scraping in R. rvest is useful in extracting the information you need from web pages.

Along with this, you also need to install the selectr and ‘xml2’ packages.

Installation steps:

install.packages(‘selectr’)
install.packages(‘xml2’)
install.packages(‘rvest’)

rvest contains the basic web scraping functions, which are quite effective. Using the following functions, we will try to extract the data from web sites.

  • read_html(url) : scrape HTML content from a given URL
  • html_nodes(): identifies HTML wrappers.
  • html_nodes(“.class”): calls node based on CSS class
  • html_nodes(“#id”): calls node based on id
  • html_nodes(xpath=”xpath”): calls node based on xpath (we’ll cover this later)
  • html_attrs(): identifies attributes (useful for debugging)
  • html_table(): turns HTML tables into data frames
  • html_text(): strips the HTML tags and extracts only the text

2. stringr

stringr comes into play when you think of tasks related to data cleaning and preparation.

There are four essential sets of functions in stringr:

  • stringr functions are useful because they enable you to work around the individual characters within the strings in character vectors
  • there are whitespace tools which can be used to add, remove, and manipulate whitespace
  • there are locale sensitive operations whose operations will differ from locale to locale
  • there are pattern matching functions. These functions recognize four parts of pattern description. Regular expressions are the standard one but there are other tools as well

Installation

install.packages(‘stringr’)

3. jsonlite

What makes the jsonline package useful is that it is a JSON parser/generator which is optimized for the web.

It is vital because it enables an effective mapping between JSON data and the crucial R data types. Using this, we are able to convert between R objects and JSON without loss of type or information, and without the need for any manual data wrangling.

This works really well for interacting with web APIs, or if you want to create ways through which data can travel in and out of R using JSON.

Installation

install.packages(‘jsonlite’)

Before we jump-start into it, let’s see how it works:

It should be clear at the outset that each website is different, because the coding that goes into a website is different.

Web scraping is the technique of identifying and using these patterns of coding to extract the data you need. Your browser makes the website available to you from HTML. Web scraping is simply about parsing the HTML made available to you from your browser.

Web scraping has a set process that works like this, generally:

  • Access a page from R
  • Instruct R where to “look” on the page
  • Convert data in a usable format within R using the rvest package

Now let’s go to implementation to understand it better.

3. Implementation

Let’s implement it and see how it works. We will scrape the Amazon website for the price comparison of a product called “One Plus 6”, a mobile phone.

You can see it here.

Step 1: Loading the packages we need

We need to be in the console, at R command prompt to start the process. Once we are there, we need to load the packages required as shown below:

#loading the package:> library(xml2)> library(rvest)> library(stringr)

Step 2: Reading the HTML content from Amazon

#Specifying the url for desired website to be scrappedurl <- ‘//www.amazon.in/OnePlus-Mirror-Black-64GB-Memory/dp/B0756Z43QS?tag=googinhydr18418-21&tag=googinkenshoo-21&ascsubtag=aee9a916-6acd-4409-92ca-3bdbeb549f80’
#Reading the html content from Amazonwebpage <- read_html(url)

In this code, we read the HTML content from the given URL, and assign that HTML into the webpage variable.

Step 3: Scrape product details from Amazon

Now, as the next step, we will extract the following information from the website:

Title: The title of the product.

Price: The price of the product.

Description: The description of the product.

Rating: The user rating of the product.

Size: The size of the product.

Color: The color of the product.

This screenshot shows how these fields are arranged.

Next, we will make use of HTML tags, like the title of the product and price, for extracting data using Inspect Element.

In order to find out the class of the HTML tag, use the following steps:

=> go to chrome browser => go to this URL => right click => inspect element

NOTE: If you are not using the Chrome browser, check out this article.

Based on CSS selectors such as class and id, we will scrape the data from the HTML. To find the CSS class for the product title, we need to right-click on title and select “Inspect” or “Inspect Element”.

As you can see below, I extracted the title of the product with the help of html_nodes in which I passed the id of the title — h1#title — and webpage which had stored HTML content.

I could also get the title text using html_text and print the text of the title with the help of the head () function.

#scrape title of the product> title_html  title  head(title)

The output is shown below:

We could get the title of the product using spaces and \n.

The next step would be to remove spaces and new line with the help of the str_replace_all() function in the stringr library.

# remove all space and new linesstr_replace_all(title, “[\r\n]” , “”)

Output:

Now we will need to extract the other related information of the product following the same process.

Price of the product:

# scrape the price of the product> price_html  price <- html_text(price_html)
# remove spaces and new line> str_replace_all(title, “[\r\n]” , “”)
# print price value> head(price)

Output:

Product description:

# scrape product description> desc_html  desc <- html_text(desc_html)
# replace new lines and spaces> desc  desc  head(desc)

Output:

Rating of the product:

# scrape product rating > rate_html  rate <- html_text(rate_html)
# remove spaces and newlines and tabs > rate  rate <- str_trim(rate)
# print rating of the product> head(rate)

Output:

Size of the product:

# Scrape size of the product> size_html  size_html  size <- html_text(size_html)
# remove tab from text> size <- str_trim(size)
# Print product size> head(size)

Output:

Color of the product:

# Scrape product color> color_html  color_html  color <- html_text(color_html)
# remove tabs from text> color <- str_trim(color)
# print product color> head(color)

Output:

Step 4: We have successfully extracted data from all the fields which can be used to compare the product information from another site.

Let’s compile and combine them to work out a dataframe and inspect its structure.

#Combining all the lists to form a data frameproduct_data <- data.frame(Title = title, Price = price,Description = desc, Rating = rate, Size = size, Color = color)
#Structure of the data framestr(product_data)

Output:

In this output we can see all the scraped data in the data frames.

Step 5: Store data in JSON format:

As the data is collected, we can carry out different tasks on it such as compare, analyze, and arrive at business insights about it. Based on this data, we can think of training machine learning models over this.

Data would be stored in JSON format for further process.

Follow the given code and get the JSON result.

# Include ‘jsonlite’ library to convert in JSON form.> library(jsonlite)
# convert dataframe into JSON format> json_data <- toJSON(product_data)
# print output> cat(json_data)

In the code above, I have included jsonlite library for using the toJSON() function to convert the dataframe object into JSON form.

At the end of the process, we have stored data in JSON format and printed it.

It is possible to store data in a csv file also or in the database for further processing, if we wish.

Output:

Following this practical example, you can also extract the relevant data for the same from product from //www.oneplus.in/6 and compare with Amazon to work out the fair value of the product. In the same way, you can use the data to compare it with other websites.

4. End note

As you can see, R can give you great leverage in scraping data from different websites. With this practical illustration of how R can be used, you can now explore it on your own and extract product data from Amazon or any other e-commerce website.

A word of caution for you: certain websites have anti-scraping policies. If you overdo it, you will be blocked and you will begin to see captchas instead of product details. Of course, you can also learn to work your way around the captchas using different services available. However, you do need to understand the legality of scraping data and whatever you are doing with the scraped data.

Feel free to send to me your feedback and suggestions regarding this post!