Projet final
Web Scraping en Python
Thomas Laetsch
Data Scientist, NYU
Inspection des éléments
import scrapy
from scrapy.crawler import CrawlerProcess
class DC_Chapter_Spider(scrapy.Spider):
name = "dc_chapter_spider"
def start_requests( self ):
url = 'https://www.datacamp.com/courses/all'
yield scrapy.Request( url = url,
callback = self.parse_front )
def parse_front( self, response ):
## Code to parse the front courses page
def parse_pages( self, response ):
## Code to parse course pages
## Fill in dc_dict here
dc_dict = dict()
process = CrawlerProcess()
process.crawl(DC_Chapter_Spider)
process.start()
Parser la page d’accueil
def parse_front( self, response ):# Cibler les blocs de cours course_blocks = response.css( 'div.course-block' )# Pointer vers les liens des cours course_links = course_blocks.xpath( './a/@href' )# Extraire les liens (liste de chaînes) links_to_follow = course_links.extract()# Suivre les liens vers l'autre parseur for url in links_to_follow: yield response.follow( url = url, callback = self.parse_pages )
Parser les pages de cours
def parse_pages( self, response ):# Accéder au texte du titre du cours crs_title = response.xpath('//h1[contains(@class,"title")]/text()')# Extraire et nettoyer le titre du cours crs_title_ext = crs_title.extract_first().strip()# Accéder aux titres de chapitres ch_titles = response.css( 'h4.chapter__title::text' )# Extraire et nettoyer les titres de chapitres ch_titles_ext = [t.strip() for t in ch_titles.extract()]# Stocker dans notre dictionnaire dc_dict[ crs_title_ext ] = ch_titles_ext
Passons à la pratique !
Web Scraping en Python
