Johdanto verkon kaavintaan käyttämällä R: tä

Verkkokaupan nousun myötä yritykset ovat siirtyneet verkkoon. Myös asiakkaat etsivät tuotteita verkosta. Toisin kuin offline-markkinoilla, asiakas voi vertailla eri paikoissa saatavana olevan tuotteen hintaa reaaliajassa.

Siksi kilpailukykyinen hinnoittelu on jotain, josta on tullut tärkein osa liiketoimintastrategiaa.

Tuotteidesi hintojen pitämiseksi kilpailukykyisinä ja houkuttelevina sinun on seurattava ja seurattava kilpailijoiden asettamia hintoja. Jos tiedät kilpailijoitesi hinnoittelustrategian, voit yhdenmukaistaa hinnoittelustrategiaasi saadaksesi edun niiden yli.

Hintavalvonnasta on siis tullut tärkeä osa verkkokaupan liiketoimintaa.

Saatat miettiä, kuinka saada tietoja hallintaan hintojen vertaamiseksi.

Kolme parasta tapaa saada hintavertailuun tarvitsemasi tiedot

1. Kauppiaiden syötteet

Kuten ehkä tiedätkin, Internetissä on useita hintavertailusivustoja. Nämä sivustot pääsevät eräänlaiseen yhteisymmärrykseen yritysten kanssa, missä he saavat tiedot suoraan heiltä ja joita he käyttävät hintavertailuun.

Nämä yritykset perustavat API: n tai käyttävät FTP: tä tietojen toimittamiseen. Yleensä viittauspalkkio tekee hintavertailusivustosta taloudellisesti kannattavan.

2. Tuotesyötteet kolmannen osapuolen sovellusliittymistä

Toisaalta on palveluja, jotka tarjoavat verkkokaupan tietoja API: n kautta. Kun tällaista palvelua käytetään, kolmas osapuoli maksaa datan määrän.

3. Verkon kaavinta

Verkon kaapiminen on yksi vankimmista ja luotettavimmista tavoista saada verkkotietoja Internetistä. Sitä käytetään yhä enemmän hintatiedoissa, koska se on tehokas tapa saada tuotetiedot verkkokauppasivustoilta.

Sinulla ei ehkä ole pääsyä ensimmäiseen ja toiseen vaihtoehtoon. Siksi verkon kaavinta voi auttaa sinua. Voit hyödyntää verkon kaavinta tietojen hyödyntämiseksi kilpailukykyisen hinnoittelun saavuttamiseksi yrityksellesi.

Verkon kaavinta voidaan käyttää nykyisten markkinoiden skenaarioiden ja verkkokaupan nykyisten hintojen saamiseen. Käytämme verkkokaavioita saadaksemme tietoja verkkokauppasivustolta. Tässä blogissa opit naarmuttamaan Amazonin tuotteiden nimet ja hinnat kaikissa luokissa tietyllä tuotemerkillä.

Tietojen poimiminen Amazonista säännöllisesti voi auttaa sinua seuraamaan hinnoittelun markkinakehitystä ja antamaan sinulle mahdollisuuden asettaa hinnat vastaavasti.

Sisällysluettelo

  1. Verkon kaavinta hintavertailuun
  2. Verkon kaavinta R: ssä
  3. Toteutus
  4. Lopeta muistiinpano

1. Verkon kaavinta hintavertailuun

Kuten markkinoiden viisaus sanoo, hinta on kaikki. Asiakkaat tekevät ostopäätöksensä hinnan perusteella. He perustavat ymmärryksensä tuotteen laadusta hintaan. Lyhyesti sanottuna hinta ohjaa asiakkaita ja siten myös markkinoita.

Siksi hintavertailusivustoilla on suuri kysyntä. Asiakkaat voivat helposti navigoida koko markkinoilla katsomalla saman tuotteen hintoja eri tuotemerkeissä. Nämä hintavertailusivustot poimivat saman tuotteen hinnan eri sivustoista.

Hintojen lisäksi hintavertailusivustot kaavavat myös tietoja, kuten tuotekuvauksen, tekniset tiedot ja ominaisuudet. He projisoivat koko informaatiovalikoiman yhdelle sivulle vertailevalla tavalla.

Tämä vastaa kysymykseen, jonka potentiaalinen ostaja on esittänyt haessaan. Nyt mahdollinen ostaja voi verrata tuotteita ja niiden hintoja sekä tietoja, kuten ominaisuuksia, maksua ja toimitusvaihtoehtoja, jotta he voivat tunnistaa parhaan mahdollisen tarjouksen.

Hinnoittelun optimoinnilla on vaikutusta liiketoimintaan siinä mielessä, että tällaiset tekniikat voivat parantaa voittomarginaaleja 10%.

Verkkokaupassa on kyse kilpailukykyisestä hinnoittelusta, ja se on levinnyt myös muille liiketoiminta-alueille. Otetaan tapaus matkustaa. Jopa matkustamiseen liittyvät verkkosivustot raaputtavat hintaa lentoyhtiöiden verkkosivustoilta reaaliajassa tarjotakseen eri lentoyhtiöiden hintavertailun.

Ainoa haaste tässä on päivittää tiedot reaaliajassa ja pysyä ajan tasalla joka sekunti hintojen muuttuessa lähdesivustoissa. Hintavertailusivustot käyttävät Cron-töitä tai katseluhetkellä hinnan päivittämiseen. Se riippuu kuitenkin sivuston omistajan määrityksistä.

Täällä tämä blogi voi auttaa sinua - voit laatia kaavintaohjelman, jonka voit mukauttaa tarpeidesi mukaan. Pystyt poimimaan tuotesyötteet, kuvat, hinnan ja kaikki muut tuotteeseen liittyvät asiaankuuluvat tiedot useilta verkkosivustoilta. Tämän avulla voit luoda tehokkaan tietokannan hintavertailusivustolle.

2. Verkon kaapiminen R: ssä

Hintavertailu on hankalaa, koska verkkodatan hankkiminen ei ole niin helppoa - sisällön jakeluun on olemassa tekniikoita, kuten HTML, XML ja JSON.

Joten saadaksesi tarvitsemasi tiedot, sinun on tehokkaasti selattava näitä eri tekniikoita. R voi auttaa sinua käyttämään näihin tekniikoihin tallennettuja tietoja. Se vaatii kuitenkin jonkin verran perusteellista ymmärrystä R: stä ennen kuin aloitat.

Mikä on R?

Verkon kaavinta on edistynyt tehtävä, jota monet ihmiset eivät suorita. Verkon kaapiminen R: llä on varmasti tekninen ja edistynyt ohjelmointi. Riittävä R: n ymmärtäminen on välttämätöntä verkon kaapimiselle tällä tavalla.

Ensinnäkin R on kieli tilastolliseen laskentaan ja grafiikkaan. Tilastotieteilijät ja tiedonlouhijat käyttävät R: tä paljon kehittyvän tilasto-ohjelmistonsa ja keskittymisensä perusteella tietojen analysointiin.

Yksi syy siihen, että R on niin suosikki tämän joukon joukossa, on suunniteltavien tonttien laatu, mukaan lukien matemaattiset symbolit ja kaavat missä tahansa.

R on ihana, koska se tarjoaa laajan valikoiman toimintoja ja paketteja, jotka pystyvät käsittelemään tiedonlouhintatehtäviä.

rvest, RCrawler jne. ovat R-paketteja, joita käytetään tiedonkeruun prosesseihin.

Tässä segmentissä näemme, millaisia ​​työkaluja tarvitaan R: n kanssa työskentelemään verkon kaapimiseksi. Näemme sen Amazon-verkkosivuston käyttötapauksen kautta, josta yritämme saada tuotetiedot ja tallentaa ne JSON-muotoon.

Vaatimukset

Tässä käyttötapauksessa R: n tuntemus on välttämätöntä, ja oletan, että sinulla on perustiedot R: stä . Sinun tulisi olla tietoinen ainakin yhdestä R-käyttöliittymästä, kuten RStudio. Base R -asennusliittymä on hieno.

Jos et ole tietoinen R: stä ja muista liitännöistä, sinun tulee käydä tämä opetusohjelma.

Ymmärretään nyt, kuinka paketit, joita aiomme käyttää, asennetaan.

Paketit:

1. sijoittaa

Hadley Wickham on kirjoittanut Rvest-paketin verkkosivujen kaapimiseen R.: ssä. Rvest on hyödyllinen tarvittavien tietojen purkamisessa verkkosivuilta.

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.

Varoituksen sana: tietyillä verkkosivustoilla on naarmuuntumista estäviä käytäntöjä . Jos liioitat sitä, sinut estetään ja alat nähdä captchoja tuotetietojen sijaan. Tietenkin voit myös oppia työskentelemään ympäri captchoja käyttämällä erilaisia ​​saatavilla olevia palveluja. Sinun on kuitenkin ymmärrettävä kaavattavien tietojen laillisuus ja mitä teet kaapattujen tietojen kanssa.

Voit lähettää minulle palautetta ja ehdotuksia tästä viestistä!