Faites bouger votre parse

Extraction de données Web en Python

Thomas Laetsch

Data Scientist, NYU

Encore une fois

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 ):
        # exemple simple : écrire le HTML
        html_file = 'DC_courses.html'
        with open( html_file, 'wb' ) as fout:
            fout.write( response.body )

Vous connaissez déjà !

def parse( self, response ):

    # code d'analyse d'entrée avec response que vous connaissez déjà !

    # sortie vers un fichier, ou...

    # parcourir le Web !

Liens des cours DataCamp : enregistrer dans un fichier

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] )

Liens des cours DataCamp : analyser de nouveau

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 ):
        # analyser les pages de cours ici !

Une araignée qui suit des liens sur le site de DataCamp.

Johnny Parse

Extraction de données Web en Python