Scraping de verdade

Raspagem da Web em Python

Thomas Laetsch

Data Scientist, NYU

Site da DataCamp

Raspagem da Web em Python

Qual é o div?

# response carregada com o HTML de https://www.datacamp.com/courses/all
course_divs = response.css('div.course-block')
print( len(course_divs) )
>>> 185
Raspagem da Web em Python

Inspecionando course-block

first_div = course_divs[0]

children = first_div.xpath('./*')
print( len(children) ) >>> 3
Raspagem da Web em Python

O primeiro filho

first_div = course_divs[0]

children = first_div.xpath('./*')
first_child = children[0]

print( first_child.extract() ) >>> <a class=... />
Raspagem da Web em Python

O segundo filho

first_div = course_divs[0]

children = first_div.xpath('./*')
second_child = children[1]

print( second_child.extract() ) >>> <div class=... />
Raspagem da Web em Python

O filho esquecido

first_div = course_divs[0]

children = first_div.xpath('./*')
third_child = children[2]

print( third_child.extract() ) >>> <span class=... />
Raspagem da Web em Python

Listas em ação

  • Em um único seletor CSS
    links = response.css('div.course-block > a::attr(href)').extract()
    
  • Passo a passo
# passo 1: blocos de curso
course_divs = response.css('div.course-block')

# passo 2: elementos de link hrefs = course_divs.xpath('./a/@href')
# passo 3: extrair os links links = hrefs.extract()
Raspagem da Web em Python

Hora da escola

for l in links:
    print( l )

>>> /courses/free-introduction-to-r
>>> /courses/data-table-data-manipulation-r-tutorial
>>> /courses/dplyr-data-manipulation-r-tutorial
>>> /courses/ggvis-data-visualization-r-tutorial
>>> /courses/reporting-with-r-markdown
>>> /courses/intermediate-r
...
Raspagem da Web em Python

Links obtidos

Raspagem da Web em Python

Preparing Video For Download...