Scraper pour de vrai

Web Scraping en Python

Thomas Laetsch

Data Scientist, NYU

Site DataCamp

https://www.datacamp.com/courses/all

C’est quoi ce div ?

# response chargé avec le HTML depuis https://www.datacamp.com/courses/all

course_divs = response.css('div.course-block')

print( len(course_divs) )
>>> 185

Inspection de course-block

first_div = course_divs[0]

children = first_div.xpath('./*')

print( len(children) )
>>> 3

Le premier enfant

first_div = course_divs[0]

children = first_div.xpath('./*')

first_child = children[0]

print( first_child.extract() )
>>> <a class=... />

Le deuxième enfant

first_div = course_divs[0]

children = first_div.xpath('./*')

second_child = children[1]

print( second_child.extract() )
>>> <div class=... />

L’oublié

first_div = course_divs[0]

children = first_div.xpath('./*')

third_child = children[2]

print( third_child.extract() )
>>> <span class=... />

Listes à gogo

En un sélecteur CSS

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

Par étapes

# étape 1 : blocs de cours
course_divs = response.css('div.course-block')

# étape 2 : éléments lien
hrefs = course_divs.xpath('./a/@href')

# étape 3 : extraire les liens
links = hrefs.extract()

Retour à l’école

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
...

Liens obtenus

Web Scraping en Python