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
#在获得所有网页后，获取所有商品的信息就变得简单了，只要循环对每个网页的信息进行xml关键字的爬取
#名称信息
图片信息
价格信息
通过文本处理和输出，就可以将其进行保存和后续的数据分析。
欢迎交流讨论批评指正（qq 570881451）
【拓端数据tecdat.cn】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。
中国专业的统计分析和数据挖掘咨询服务商：拓端数据（商务合作请联系官网客服）
帅的小伙伴都关注了拓端数据团队^..^~
QQ交流群：186388004
微信公众号：拓端数据
微信客服号：lico_9e
网友评论