Eine Einführung in das Web Scraping mit R.

Mit dem E-Commerce-Boom sind Unternehmen online gegangen. Auch Kunden suchen online nach Produkten. Im Gegensatz zum Offline-Marktplatz kann ein Kunde den Preis eines Produkts, das an verschiedenen Orten erhältlich ist, in Echtzeit vergleichen.

Daher ist eine wettbewerbsfähige Preisgestaltung der wichtigste Bestandteil einer Geschäftsstrategie.

Um die Preise Ihrer Produkte wettbewerbsfähig und attraktiv zu halten, müssen Sie die von Ihren Mitbewerbern festgelegten Preise überwachen und verfolgen. Wenn Sie die Preisstrategie Ihrer Wettbewerber kennen, können Sie Ihre Preisstrategie entsprechend ausrichten, um einen Vorteil gegenüber diesen zu erzielen.

Daher ist die Preisüberwachung ein wesentlicher Bestandteil des Betriebs eines E-Commerce-Geschäfts geworden.

Sie fragen sich vielleicht, wie Sie an die Daten gelangen können, um die Preise zu vergleichen.

Die drei wichtigsten Möglichkeiten, um die Daten zu erhalten, die Sie für den Preisvergleich benötigen

1. Feeds von Händlern

Wie Sie vielleicht wissen, gibt es im Internet mehrere Preisvergleichsseiten. Diese Websites verstehen sich mit den Unternehmen, in denen sie die Daten direkt von ihnen erhalten und die sie für den Preisvergleich verwenden.

Diese Unternehmen richten eine API ein oder verwenden FTP, um die Daten bereitzustellen. Im Allgemeinen ist eine Überweisungsprovision das, was eine Preisvergleichsseite finanziell rentabel macht.

2. Produkt-Feeds von APIs von Drittanbietern

Andererseits gibt es Dienste, die E-Commerce-Daten über eine API anbieten. Wenn ein solcher Dienst genutzt wird, zahlt der Dritte das Datenvolumen.

3. Web Scraping

Web Scraping ist eine der robustesten und zuverlässigsten Methoden, um Webdaten aus dem Internet abzurufen. Es wird zunehmend in der Preisinformation eingesetzt, da es eine effiziente Möglichkeit darstellt, Produktdaten von E-Commerce-Websites abzurufen.

Möglicherweise haben Sie keinen Zugriff auf die erste und zweite Option. Daher kann Web Scraping zu Ihrer Rettung kommen. Mithilfe von Web Scraping können Sie die Leistungsfähigkeit von Daten nutzen, um wettbewerbsfähige Preise für Ihr Unternehmen zu erzielen.

Web Scraping kann verwendet werden, um aktuelle Preise für das aktuelle Marktszenario und E-Commerce im Allgemeinen zu erhalten. Wir werden Web Scraping verwenden, um die Daten von einer E-Commerce-Website abzurufen. In diesem Blog erfahren Sie, wie Sie die Namen und Preise von Produkten von Amazon in allen Kategorien unter einer bestimmten Marke kratzen.

Durch das regelmäßige Extrahieren von Daten aus Amazon können Sie die Markttrends der Preisgestaltung verfolgen und Ihre Preise entsprechend festlegen.

Inhaltsverzeichnis

  1. Web Scraping zum Preisvergleich
  2. Web Scraping in R.
  3. Implementierung
  4. Endnote

1. Web Scraping zum Preisvergleich

Wie die Marktweisheit sagt, ist der Preis alles. Die Kunden treffen ihre Kaufentscheidungen anhand des Preises. Sie stützen ihr Verständnis der Qualität eines Produkts auf den Preis. Kurz gesagt, der Preis treibt die Kunden und damit den Markt an.

Daher sind Preisvergleichsseiten sehr gefragt. Kunden können problemlos durch den gesamten Markt navigieren, indem sie die Preise des gleichen Produkts über die Marken hinweg betrachten. Diese Preisvergleichs-Websites extrahieren den Preis desselben Produkts von verschiedenen Websites.

Neben dem Preis kratzen Preisvergleichs-Websites auch Daten wie Produktbeschreibung, technische Spezifikationen und Funktionen. Sie projizieren die gesamte Bandbreite an Informationen auf vergleichende Weise auf eine einzelne Seite.

Dies beantwortet die Frage, die der potenzielle Käufer bei seiner Suche gestellt hat. Jetzt kann der potenzielle Käufer die Produkte und ihre Preise zusammen mit Informationen wie Funktionen, Zahlungs- und Versandoptionen vergleichen, um das bestmögliche Angebot zu ermitteln.

Die Preisoptimierung wirkt sich insofern auf das Geschäft aus, als solche Techniken die Gewinnmargen um 10% steigern können.

Beim E-Commerce dreht sich alles um wettbewerbsfähige Preise, und er hat sich auch auf andere Geschäftsbereiche ausgeweitet. Nehmen Sie den Fall der Reise. Jetzt kratzen sogar reisebezogene Websites den Preis von den Websites der Fluggesellschaften in Echtzeit , um den Preisvergleich verschiedener Fluggesellschaften zu ermöglichen.

Die einzige Herausforderung besteht darin, die Daten in Echtzeit zu aktualisieren und jede Sekunde auf dem neuesten Stand zu bleiben, da sich die Preise auf den Quellwebsites ständig ändern. Preisvergleichsseiten verwenden Cron-Jobs oder zum Zeitpunkt der Anzeige, um den Preis zu aktualisieren. Dies hängt jedoch von der Konfiguration des Websitebesitzers ab.

Hier kann Ihnen dieser Blog helfen - Sie können ein Scraping-Skript erstellen, das Sie an Ihre Bedürfnisse anpassen können. Sie können Produkt-Feeds, Bilder, Preise und alle anderen relevanten Details zu einem Produkt von verschiedenen Websites extrahieren. Damit können Sie Ihre leistungsstarke Datenbank für Preisvergleichs-Websites erstellen.

2. Web Scraping in R.

Der Preisvergleich wird umständlich, da das Abrufen von Webdaten nicht so einfach ist - es gibt Technologien wie HTML, XML und JSON, um den Inhalt zu verteilen.

Um die benötigten Daten zu erhalten, müssen Sie effektiv durch diese verschiedenen Technologien navigieren. R kann Ihnen beim Zugriff auf Daten helfen, die in diesen Technologien gespeichert sind. Es erfordert jedoch ein gründliches Verständnis von R, bevor Sie beginnen.

Was ist R?

Web Scraping ist eine erweiterte Aufgabe, die nicht viele Menschen ausführen. Web Scraping mit R ist sicherlich eine technische und fortgeschrittene Programmierung. Ein angemessenes Verständnis von R ist für das Web-Scraping auf diese Weise unerlässlich.

Zunächst ist R eine Sprache für statistische Berechnungen und Grafiken. Statistiker und Data Miner verwenden R aufgrund seiner sich weiterentwickelnden Statistiksoftware und ihres Fokus auf Datenanalyse häufig.

Ein Grund, warum R unter diesen Personen so beliebt ist, ist die Qualität der Diagramme, die ausgearbeitet werden können, einschließlich mathematischer Symbole und Formeln, wo immer dies erforderlich ist.

R ist wunderbar, weil es eine Vielzahl von Funktionen und Paketen bietet, die Data Mining-Aufgaben bewältigen können.

rvest, RCrawler usw. sind R-Pakete, die für Datenerfassungsprozesse verwendet werden.

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!