Mueve tu maldito parseo

Web scraping en Python

Thomas Laetsch

Data Scientist, NYU

Una vez más

class DCspider( scrapy.Spider ):
    name = "dcspider"

    def start_requests( self ):
        urls = [ 'https://www.datacamp.com/courses/all' ]
        for url in urls:
            yield scrapy.Request( url = url, callback = self.parse )

    def parse( self, response ):
        # simple example: write out the html
        html_file = 'DC_courses.html'
        with open( html_file, 'wb' ) as fout:
            fout.write( response.body )

¡Ya lo sabes!

def parse( self, response ):

    # ¡código de parseo de entrada con response que ya conoces!

    # salida a un archivo, o...

    # ¡rastrea la web!

Enlaces de cursos de DataCamp: guardar en archivo

class DCspider( scrapy.Spider ):
    name = "dcspider"

    def start_requests( self ):
        urls = [ 'https://www.datacamp.com/courses/all' ]
        for url in urls:
            yield scrapy.Request( url = url, callback = self.parse )

    def parse( self, response ):

        links = response.css('div.course-block > a::attr(href)').extract()

        filepath = 'DC_links.csv'
        with open( filepath, 'w' ) as f:
            f.writelines( [link + '/n' for link in links] )

Enlaces de cursos de DataCamp: parsear de nuevo

class DCspider( scrapy.Spider ):
    name = "dcspider"

    def start_requests( self ):
        urls = [ 'https://www.datacamp.com/courses/all' ]
        for url in urls:
            yield scrapy.Request( url = url, callback = self.parse )

    def parse( self, response ):

        links = response.css('div.course-block > a::attr(href)').extract()

        for link in links:
            yield response.follow( url = link, callback = self.parse2 )

    def parse2( self, response ):
        # ¡parsea las páginas de curso aquí!

Una araña siguiendo enlaces por el sitio de DataCamp.

Johnny parseando

Web scraping en Python