时间：2018-10-9
爬取内容：当当图书畅销榜（近7日）：书名、作者、出版社、推荐率、出版时间、价格、折扣、网址
R语言爬虫：当当图书畅销榜（近7日）
通过对其他人爬虫代码的学习，发现有相当一部分人对的代码中出现了“%>%”等内容，不知其意。无意中发现该部分内容是magrittr包的管道操作，于是对其进行了学习，并在对当当图书数据的爬取中使用了该管道操作。（参考教程：R语言中管道操作）
代码所用到的函数如下：
| 函数 | 说明 |
|---|---|
| read_html() | 保存网页 |
| html_nodes() | 提取网页指定节点内容 |
| html_text() | 提取网页文本信息 |
| str_match() | 提取字符串中满足要求的部分 |
| as.numeric() | 将变量转为数值型 |
| as.Date() | 将变量转为日期型 |
| data.frame() | 生成数据框 |
| html_attr() | 提取网页指定属性内容 |
爬取第一页数据，即前20位图书的数据。
代码如下：
> library(rvest)
> library(XML)
> library(stringr)
> library(magrittr)
> url <- "http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-1"
> web <- read_html(url, encoding = "gbk")
> # 排行
> rank <- web %>% html_nodes(".list_num") %>% html_text() %>% as.numeric()
> # 书名
> title <- web %>% html_nodes(".name a") %>% html_text()
> # 作者
> writer <- web %>% html_nodes(".publisher_info a:nth-child(1)") %>% html_text()
> # 推荐率
> tuijian <- web %>% html_nodes(".tuijian") %>% html_text() %>%
+ str_match("[0-9]*") %>% as.numeric()
> # 出版日期
> date <- web %>% html_nodes(".publisher_info span") %>% html_text() %>% as.Date()
> # 价格
> price <- web %>% html_nodes("p:nth-child(1) .price_n") %>% html_text() %>%
+ str_match("[0-9]{2}.[0-9]{2}") %>% as.numeric()
> # 折扣
> discount <- web %>% html_nodes(".price_s") %>% html_text()
> # 出版社
> publication_company <- web %>% html_nodes(".publisher_info span+ a") %>% html_text()
> # 图书网址
> webpage <- web %>% html_nodes(".name a") %>% html_attr("href")
> # 生成数据框
> Data <- data.frame(rank, title, writer, publication_company, date, price, discount, tuijian, webpage)
爬取得到的数据如下：
