|
|
(11 revisiones intermedias por el mismo usuario no mostrado) |
Línea 362: |
Línea 362: |
| | | |
| Podemos descargar el fuente de: http://elixir.ematia.de/trac/wiki/Download | | Podemos descargar el fuente de: http://elixir.ematia.de/trac/wiki/Download |
| + | $ svn checkout http://elixir.ematia.de/svn/elixir/trunk/ elixir |
| + | |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
Línea 387: |
Línea 389: |
| <div class="slide"> | | <div class="slide"> |
| === Creación de la bases de datos === | | === Creación de la bases de datos === |
− |
| |
| <source lang="python"> | | <source lang="python"> |
| >>> from modelo import * | | >>> from modelo import * |
Línea 393: |
Línea 394: |
| >>> create_all() # crea las tablas SQL correspondientes a la Tabla SQLAlchemy | | >>> create_all() # crea las tablas SQL correspondientes a la Tabla SQLAlchemy |
| </source> | | </source> |
− |
| |
| | | |
| <source lang="sql"> | | <source lang="sql"> |
Línea 404: |
Línea 404: |
| ) | | ) |
| </source> | | </source> |
− | | + | </div> |
− | Por defecto la tabla se llama '''<nombre_del_modulo>_<nombre_de_la_clase>'''. | + | <div class="slide"> |
− | Si ningún campo tiene el parámetro '''primary_key=True''', crea un atributo '''id'''. | + | === Creación de la bases de datos II=== |
− | | + | * Por defecto la tabla se llama '''<nombre_del_modulo>_<nombre_de_la_clase>'''. |
| + | * Si ningún campo tiene el parámetro '''primary_key=True''', crea un atributo '''id'''. |
| <source lang="python"> | | <source lang="python"> |
| >>> Pelicula(titulo=u"Blade Runner", year=1982) | | >>> Pelicula(titulo=u"Blade Runner", year=1982) |
Línea 413: |
Línea 414: |
| >>> session.commit() | | >>> session.commit() |
| </source> | | </source> |
− | | + | </div> |
| + | <div class="slide"> |
| + | === Búsquedas === |
| <source lang="python"> | | <source lang="python"> |
| >>> Pelicula.query.all() | | >>> Pelicula.query.all() |
Línea 428: |
Línea 431: |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
− |
| |
| ===Eliminar=== | | ===Eliminar=== |
| <source lang="python"> | | <source lang="python"> |
Línea 456: |
Línea 458: |
| return '<Director "%s">' % self.nombre | | return '<Director "%s">' % self.nombre |
| </source> | | </source> |
− | | + | </div> |
| + | <div class="slide"> |
| + | === Relaciones II === |
| <source lang="python"> | | <source lang="python"> |
| >>> from model import * | | >>> from model import * |
Línea 478: |
Línea 482: |
| ) | | ) |
| </source> | | </source> |
− | | + | </div> |
| + | <div class="slide"> |
| + | === Relaciones III=== |
| <source lang="python"> | | <source lang="python"> |
| # directores | | # directores |
Línea 496: |
Línea 502: |
| >>> session.commit() | | >>> session.commit() |
| </source> | | </source> |
− |
| |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
Línea 509: |
Línea 514: |
| >>> Pelicula.query.filter(Pelicula.director.has(Director.nombre.endswith(u'Scott'))).all() | | >>> Pelicula.query.filter(Pelicula.director.has(Director.nombre.endswith(u'Scott'))).all() |
| [<Pelicula "Alien" (1979)>, <Pelicula "Blade Runner" (1982)>] | | [<Pelicula "Alien" (1979)>, <Pelicula "Blade Runner" (1982)>] |
− | | + | </source> |
− | # Búsquedas generativas (usando partes de otras búsquedas)
| + | </div> |
− | | + | <div class="slide"> |
| + | === Búsquedas generativas === |
| + | (usando partes de otras búsquedas) |
| + | <source lang="python"> |
| >>> d = Director.get_by(nombre=u'Ridley Scott') # Class.get_by(xxx) es un atajo para Class.query.filter_by(xxx).first() | | >>> d = Director.get_by(nombre=u'Ridley Scott') # Class.get_by(xxx) es un atajo para Class.query.filter_by(xxx).first() |
| >>> q = Pelicula.query.filter_by(director=d) | | >>> q = Pelicula.query.filter_by(director=d) |
Línea 523: |
Línea 531: |
| <div class="slide"> | | <div class="slide"> |
| ===Relaciones muchos a muchos=== | | ===Relaciones muchos a muchos=== |
− |
| |
| <source lang="python"> | | <source lang="python"> |
− | # modifica ...
| |
− |
| |
| class Genero(Entity): | | class Genero(Entity): |
| nombre = Field(Unicode(15), primary_key=True) | | nombre = Field(Unicode(15), primary_key=True) |
| peliculas = ManyToMany('Pelicula') | | peliculas = ManyToMany('Pelicula') |
− |
| |
| def __repr__(self): | | def __repr__(self): |
| return '<Genero "%s">' % self.nombre | | return '<Genero "%s">' % self.nombre |
Línea 544: |
Línea 548: |
| return '<Pelicula "%s" (%d)>' % (self.titulo, self.year) | | return '<Pelicula "%s" (%d)>' % (self.titulo, self.year) |
| </source> | | </source> |
− | | + | </div> |
| + | <div class="slide"> |
| + | ===Relaciones muchos a muchos (cont.)=== |
| <source lang="python"> | | <source lang="python"> |
| >>> from model import * | | >>> from model import * |
Línea 558: |
Línea 564: |
| [<Pelicula "Alien" (1979)>] | | [<Pelicula "Alien" (1979)>] |
| </source> | | </source> |
− | </div>
| |
− | <div class="slide">
| |
− | === Opciones ===</div>
| |
− | <div class="slide">
| |
− | ===Nombre de la tabla===
| |
− | <source lang="python">
| |
− | class Pelicula(Entity):
| |
− | using_options(tablenombre='peliculas')
| |
− |
| |
− | titulo = Field(Unicode(30))
| |
− | year = Field(Integer)
| |
− | descripcion = Field(UnicodeText)
| |
− | </source>
| |
− |
| |
− | Más opciones: ver API.
| |
− | </div>
| |
− | <div class="slide">
| |
− | ===Sesiones===
| |
− | La sesión implementa el patrón '''unidad de trabajo'''.
| |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
| ===Herencia=== | | ===Herencia=== |
− |
| |
| Si pensamos en introducir actores y directores: | | Si pensamos en introducir actores y directores: |
− |
| |
| <source lang="python"> | | <source lang="python"> |
| class Persona(Entity): | | class Persona(Entity): |
Línea 589: |
Línea 574: |
| def __repr__(self): | | def __repr__(self): |
| return '<Persona "%s">' % self.nombre | | return '<Persona "%s">' % self.nombre |
− | | + | </source> |
| + | </div> |
| + | <div class="slide"> |
| + | ===Herencia (cont.)=== |
| + | <source lang="python"> |
| class Actor(Persona): | | class Actor(Persona): |
| using_options(inheritance='multi') | | using_options(inheritance='multi') |
| peliculas = ManyToMany('Pelicula') | | peliculas = ManyToMany('Pelicula') |
− |
| |
| def __repr__(self): | | def __repr__(self): |
| return '<Actor "%s">' % self.nombre | | return '<Actor "%s">' % self.nombre |
Línea 600: |
Línea 588: |
| using_options(inheritance='multi') | | using_options(inheritance='multi') |
| peliculas = OneToMany('Pelicula') | | peliculas = OneToMany('Pelicula') |
− |
| |
| def __repr__(self): | | def __repr__(self): |
| return '<Director "%s">' % self.nombre | | return '<Director "%s">' % self.nombre |
| </source> | | </source> |
− | | + | </div> |
| + | <div class="slide"> |
| + | ===Herencia (cont.)=== |
| <source lang="python"> | | <source lang="python"> |
| >>> rscott = Director(nombre=u"Ridley Scott") | | >>> rscott = Director(nombre=u"Ridley Scott") |
Línea 612: |
Línea 601: |
| >>> sweaver = Actor(nombre=u"Sigourney Weaver") | | >>> sweaver = Actor(nombre=u"Sigourney Weaver") |
| >>> session.commit() | | >>> session.commit() |
− | | + | </source> |
| + | </div> |
| + | <div class="slide"> |
| + | ===Herencia=== |
| + | <source lang="python"> |
| >>> Persona.query.all() | | >>> Persona.query.all() |
| [<Director "Ridley Scott">, <Director "George Lucas">, | | [<Director "Ridley Scott">, <Director "George Lucas">, |
Línea 644: |
Línea 637: |
| know, I’ll use regular expressions.” Now they have two | | know, I’ll use regular expressions.” Now they have two |
| problems. | | problems. |
− | – Jamie Zawinski | + | – Jamie Zawinski |
| <source lang="python"> | | <source lang="python"> |
| from urllib import urlopen | | from urllib import urlopen |
Línea 650: |
Línea 643: |
| doc = urlopen(URL).read() | | doc = urlopen(URL).read() |
| </source> | | </source> |
| + | </div> |
| + | <div class="slide"> |
| + | === Alternativas (cont.)=== |
| * Usar parsers de html/xml. Estos parsers tiene que poder leer '''tagsoup''' porque se encontrarán con código no válido: | | * Usar parsers de html/xml. Estos parsers tiene que poder leer '''tagsoup''' porque se encontrarán con código no válido: |
| ** BeautifulSoup, lxml, '''amara'''. | | ** BeautifulSoup, lxml, '''amara'''. |
| + | |
| + | Nosotros usaremos Amara: http://wiki.xml3k.org/Amara ([http://wiki.xml3k.org/Amara/Tutorial Tutorial]) |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
| === Amara === | | === Amara === |
− | * http://wiki.xml3k.org/Amara ([http://wiki.xml3k.org/Amara/Tutorial Tutorial]) | + | * Interfaz rápida con API más cercana al xml |
− | * Tiene dos interfaces:
| + | |
− | <ul><li>
| + | |
− | Una muy rápida y con una sintaxis más cercana al xml
| + | |
| <source lang="python"> | | <source lang="python"> |
| import amara | | import amara |
Línea 664: |
Línea 659: |
| doc = amara.parse(URL) | | doc = amara.parse(URL) |
| </source> | | </source> |
− | </li><li>
| + | * API más pythonica: |
− | Otra más amigable y fácil de utilizar, que convierte el xml en objetos python.
| + | |
| <source lang="python"> | | <source lang="python"> |
| from amara import bindery | | from amara import bindery |
Línea 671: |
Línea 665: |
| doc = bindery.parse(URL) | | doc = bindery.parse(URL) |
| </source> | | </source> |
| + | </div> |
| + | <div class="slide"> |
| + | === Tagsoup=== |
| + | * Para usar html no válido: |
| <source lang="python"> | | <source lang="python"> |
− | # si el html o xml puede no ser válido:
| |
| from amara.bindery import html | | from amara.bindery import html |
| URL = '....' | | URL = '....' |
| doc = html.parse(URL) | | doc = html.parse(URL) |
| </source> | | </source> |
− | </li></ul></div>
| + | </div> |
| <div class="slide"> | | <div class="slide"> |
| + | |
| === Instalar === | | === Instalar === |
| Para instalar la última versión: | | Para instalar la última versión: |
| $ sudo pip install http://files.akara.info/00-amara-latest.tar.bz2 | | $ sudo pip install http://files.akara.info/00-amara-latest.tar.bz2 |
− | Es necesario tener instalado un compilador de C y la cabeceras de python (en debian/ubuntu hay que instalar '''python-dev''' | + | También puedes descargar el código del repositorio: |
| + | $ git clone https://github.com/zepheira/amara.git |
| + | |
| + | Es necesario tener instalado un compilador de C y la cabeceras de python (en debian/ubuntu hay que instalar '''python-dev''') Para windows hay versiones precompiladas. |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
− | === Ejemplos habituales de uso ===</div> | + | === Ejemplos habituales de uso === |
− | <div class="slide">
| + | |
| ===Búsqueda por expresiones XPATH=== | | ===Búsqueda por expresiones XPATH=== |
| {{Tip | Hay herramientas como [http://getfirebug.com/ firebug] que permite copiar el XPATH de un elemento.}}</div> | | {{Tip | Hay herramientas como [http://getfirebug.com/ firebug] que permite copiar el XPATH de un elemento.}}</div> |
| <div class="slide"> | | <div class="slide"> |
− | ====Búsqueda de las imágenes de un artículo==== | + | ===Ej.: Búsqueda de las imágenes de un artículo=== |
| <source lang="python"> | | <source lang="python"> |
| >>> from amara.bindery import html | | >>> from amara.bindery import html |
Línea 699: |
Línea 699: |
| 65 | | 65 |
| >>> primera_imagen = imagenes[0] | | >>> primera_imagen = imagenes[0] |
| + | </source> |
| + | </div> |
| + | <div class="slide"> |
| + | ===Ej.: Búsqueda de las imágenes (cont.) === |
| + | <source lang="python"> |
| >>> print primera_imagen.xml_encode() | | >>> print primera_imagen.xml_encode() |
| <img src="/MODULOS/global/publico/interfaces/img/logo-Heraldo.png" alt="Últimas noticias de Aragón, Zaragoza, Huesca y Teruel del periódico digital Heraldo.es"/> | | <img src="/MODULOS/global/publico/interfaces/img/logo-Heraldo.png" alt="Últimas noticias de Aragón, Zaragoza, Huesca y Teruel del periódico digital Heraldo.es"/> |
Línea 710: |
Línea 715: |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
− | ====Búsqueda de las entradas de una revista====
| + | ===Búsqueda de las entradas de una revista=== |
| Barrapunto publica sus entradas como | | Barrapunto publica sus entradas como |
| <source lang="html4strict"> | | <source lang="html4strict"> |
Línea 728: |
Línea 733: |
| </div> | | </div> |
| </source> | | </source> |
| + | </div> |
| + | <div class="slide"> |
| + | ===Búsqueda de las entradas de una revista (cont.)=== |
| Para extraer los nombres de los artículos de la primera página: | | Para extraer los nombres de los artículos de la primera página: |
− |
| |
| <source lang="python"> | | <source lang="python"> |
| >>> from amara.bindery import html | | >>> from amara.bindery import html |
Línea 746: |
Línea 753: |
| ... | | ... |
| </source> | | </source> |
− | | + | </div> |
− | '''Más ejemplos''' en http://wiki.xml3k.org/Amara/Recipes</div> | + | <div class="slide"> |
| + | ===Búsqueda de las entradas de una revista (cont.) === |
| + | '''Más ejemplos''' en http://wiki.xml3k.org/Amara/Recipes |
| + | </div> |
| <div class="slide"> | | <div class="slide"> |
− | ====Expresiones XPATH útiles====
| + | ===Expresiones XPATH útiles=== |
| <source lang="python"> | | <source lang="python"> |
| # Nodo que contenga una cadena de texto: | | # Nodo que contenga una cadena de texto: |
Línea 755: |
Línea 765: |
| expresion = u'.//text()[contains(., "%s")]' % cadena.decode('utf-8') | | expresion = u'.//text()[contains(., "%s")]' % cadena.decode('utf-8') |
| # Nodos o atributos que contengan una cadena: | | # Nodos o atributos que contengan una cadena: |
− | expresion = expr = u'.//@*[contains(., "%s")]' | + | expresion = u'.//@*[contains(., "%s")]' |
| </source> | | </source> |
− |
| |
| </div> | | </div> |
| <div class="slide"> | | <div class="slide"> |
| + | |
| ===Inyección de marcado === | | ===Inyección de marcado === |
| Se puede transformar un documento para añadirle o quitarle información. | | Se puede transformar un documento para añadirle o quitarle información. |
Acceso a datos
y gestión de información
Luis Miguel Morillas <lmorillas at xml3k.org>
identi.ca: lmorillas
Introducción
- Una de las tareas más frecuentes que tenemos es el tratamiento de información.
- Muchas veces esa información está bien estructurada y almacenada en herramientas estándar (bases de datos relacionales),
- pero otras veces los datos están en hojas de cálculo, páginas web y formatos menos estructurados.
Ficheros CSV
La información de una hoja de cálculo se puede exportar/importar desde un fichero csv. Python tiene soporte para tratar ficheros csv.
Un fichero csv es un fichero de texto.
Lectura
import csv
with open('zaragoza_2010_10.csv') as fin:
reader = csv.reader(fin, delimiter=";")
for fila in reader:
print fila
['Países', 'HOMBRES', 'MUJERES', 'TOTAL']
['Rumania', '16704', '14487', '31191']
['Ecuador', '5612', '5713', '11325']
['Marruecos', '5042', '3007', '8049']
Escritura
with open('codigo_ascii.txt', 'w') as fout:
writer = csv.writer(fout)
ascii_a = ord('a')
for n in range(26):
writer.writerow((chr(ascii_a+n), ascii_a + n))
Quoting
writer = csv.writer(f, quoting=csv.QUOTE_NONNUMERIC)
Dialectos
>>> csv.list_dialects()
['excel-tab', 'excel']
Se pueden crear dialectos:
csv.register_dialect(nombre, delimiter="|")
Usando nombres de campos
with open('zaragoza_2010_10.csv') as fin:
# cuidado, toma la primera fila como títulos
# usad parámetro fieldnames si no
reader = csv.DictReader(fin, delimiter=";")
Hojas de cálculo Excel
Algunas librerías interesantes:
Hojas de cálculo Excel (II)
Sin embargo es necesario usar COM para :
- manipular gráficos
- celdas con texto enriquecido
- leer fórmulas
- trabajar con macros y nombres
xlrd
# ejemplo lectura
import xlrd
datos = {} # Dicc. vacío
book = xlrd.open_workbook('sampledata.xls')
hoja = book.sheet_by_index(0)
for i in range(1,sh.nrows): #salta la primera línea
datos[hoja.cell_value(rowx=i, colx=1)] = hoja.cell_value(rowx=i, colx=2)
xlwt
# ejemplo escritura
import xlwt
lista1 = [1,2,3,4,5]
lista2 = [234,267,281,301,331]
wb = xlwt.Workbook()
ws = wb.add_sheet('Primera hoja')
ws.write(0,0,'Column A')
ws.write(0,1,'Column B')
i = 1
for x,y in zip(lista1,lista2): # Recorre las dos listas a la vez
ws.write(i,0,x) # Fila, Columna, Datos.
ws.write(i,1,y)
i += 1
wb.save('hoja.xls')
Bases de Datos Relacionales
- Una base de datos relacional es una colección de tablas, cada una tien un número fijo de columnas y un número variable de filas. Las columnas tienen un nombre y contienen datos del mismo tipo.
- Muchos sistemas de bases de datos: comerciales (Oracle, DB2, SQL Server, ...) y libres (MySQL, PostgreSQL, SQLite ...)
- SQLite está incluida en Python
Bases de Datos Relacionales en Py
Usar bases de datos relacionales con Python es muy fácil.
Python proporciona un estándar para acceder a bases de datos. La DB API 2.0 es la versión vigente (PEP 249)
Módulos compatibles:
- MySQLdb (MySQL)
- psycopg2 (PostgreSQL)
- cx_Oracle (Oracle)
- mxODBC (SQL Server, DB2, Sybase, Oracle, etc.)
Estructura
La DB API usa dos conceptos para realizar los procesos:
- Objeto Conexión
- conexión con la base de datos
- Transacciones
- Objeto Cursor
- Ejecuta las sentencias
- Accede a los resultados
Conexión
- El objeto conexión se encarga de conectar con la base de datos
- Proporciona acceso (red/RPC) a la base de datos.
- Este objeto no permite lanzar sentencias.
- Gestiona las transacciones (grupos lógicos de sentencias)
Cursor
- Creado a partir de una conexión
- Sentencias de manipulación y de consulta en la bbdd.
- Método execute(), que acepta una secuencia de parámetros.
- Almacena los datos del result set depués de lanzar la consulta.
- Método fetch*() que lee los datos del result set
Transacciones
- DB API 2.0 soporta transacciones (si el motor las soporta) desde el objeto conexión.
- conexión: commit() / rollback()
Introspección del esquema
- Busca el tipo de las columnas de una tabla:
-
Método sencillo:
cursor.execute(‘select * from testtable where 1=0’)
# mira el atributo cursor.description
-
Método avanzado:
cursor.columns(table='testtable')
rows = cursor.fetchall()
Muy importante: Paso de parámetros
- No hay que hacer nunca sustitución de cadenas de caracteres para evitar inyección de código.
Paso de parámetros
- paramstyle: define cómo se pasan los parámetros.
- Todos los módulos admiten al menos uno de:
- 'qmark': Signo de interrogación, ej. '...WHERE name=?'
- 'numeric': Numerico, posicional, ej. '...WHERE name=:1'
- 'named': por Nombre, ej. '...WHERE name=:name'
- 'format': Formato ANSI C, ej. '...WHERE name=%s'
- 'pyformat': Formato Python, ej. '...WHERE name=%(name)s'
Ejemplo con sqlite (I)
# Fuente: http://mundogeek.net/archivos/2008/06/25/bases-de-datos-en-python
import sqlite3 as dbapi
# 1. Creamos objeto conexión
bbdd = dbapi.connect("bbdd.dat")
# 2. Creamos un cursor
cursor = bbdd.cursor()
# 3. Usamos cursor para acceder a la base de datos
# 3.1. create
cursor.execute("""create table empleados (dni text,
nombre text,
departamento text)""")
# 3.2. insert
cursor.execute("""insert into empleados
values ('12345678-A', 'Manuel Gil', 'Contabilidad')""")
bbdd.commit()
Ejemplo con sqlite (cont.)
# 3.3 select
cursor.execute("""select * from empleados
where departamento='Contabilidad'""")
# extraer resultados de select --> están almacenados en cursor
for tupla in cursor.fetchall():
print tupla
Ejemplo mysql
import MySQLdb
dbusername = "user"
dbname = 'user_private'
dbpassword = 'some_password'
# connect to the database
db = MySQLdb.Connect(db = dbname, user = dbusername, passwd = dbpassword)
#To perform a query, you first need a cursor, and then you can execute queries on it.
cursor = db.cursor()
# create and exe the query
query = "SELECT * FROM foo"
cursor.execute(query)
# retrieve the result
results = cursor.fetchall()
for firstname, age, city in results:
print firstname, age, city
Persistencia de objetos
pickle
Pickle: convierte un objeto python en secuencia de bytes
Funciones de pickle:
- dumps(objeto, proto): serializa a una string
- dump(objeto, archivo, proto): guarda en archivo
- loads(cadena, proto): des-serializa una string
- load(archivo, proto): carga desde archivo
>>> import pickle
>>> s = pickle.dumps({1:'a',2:'b'},0) >>> s
"(dp0\nI1\nS'a'\np1\nsI2\nS'b'\np2\ns."
>>> print pickle.loads(s) {1: 'a', 2: 'b'}
Shelve
Shelve: objeto similar a un diccionario persistente
- open(filename, flag='c', protocol=None, writeback=False) #crea un diccionario persistente
- flag= 'r': solo lectura, 'w': lectura/escritura, 'c':creación y lectura/escritura, 'n': nuevo
- shelve.sync(): sincronizar (writeback=True)
- shelve.close(): grabar y cerrar diccionario
>>>import shelve
>>> d = shelve.open('alumnos.dat') # abrir archivo
>>> d['12cd'] = {'nombre': 'Luis', 'apellido': 'Pérez'}
>>> data = d['12cd'] # leer una COPIA de los datos
>>> del d['12cd'] # borra los datos almacenados
ORM
ORM
El mapeo objeto-relacional (Object-Relational mapping, o sus siglas) es una técnica de programación para convertir datos entre el sistema de tipos utilizado en un lenguaje de programación orientado a objetos y el utilizado en una base de datos relacional, utilizando un motor de persistencia (http://es.wikipedia.org/wiki/Mapeo_objeto-relacional)
|
En un modelo tradicional de bases de datos (ver charla de pycamp.orm:
MySQL <------------> dialecto_sql_1 <---> MySQLdb <----> Python
PostgreSQL <-------> dialecto_sql_2 <---> psycopg2 <---> python
Oracle <-----------> dialecto_sql_3 <---> cx_Oracle <--> Python
Esto dificulta las migraciones y la escalabilidad de las aplicaciones:
- Cada base de datos usa un dialecto.
- Al usar el driver de Python tenemos que usar ese dialecto. Una migración supone cambiar muchas sentencias al nuevo dialecto.
Cuando trabajamos con un ORM sólo usamos objetos Python. El ORM se encarga de traducir las sentencias al dialecto de la base de datos:
BASE_DE_DATOS <-----> ORM (SQLAlchemy, Elixir ...) <------> PYTHON
El mismo código Python funcionará en PostgreSQL, Oracle o MySQL.
Un ejemplo
Incrementar la edad de las personas que tienen 20 años: Sin ORM
cursor.execute(“SELECT * FROM personas WHERE edad=20")
for row in cursor.fetchall():
id = row[0]
edad = row[1]
cursor.execute(“UPDATE personas WHERE id=%s SET edad=%d” % (id, edad+1))
Con ORM
for p in Personas.listado(edad=20): # ejecuta SELECT
p.edad = p.edad + 1
p.update() # ejecuta UPDATE
ORMs en Python
Nosotros vamos a usar elixir.
Elixir
(Tutorial basado en http://elixir.ematia.de/trac/wiki/TutorialDivingIn)
- Capa declarativa sobre SQLAlchemy
- SQLAlchemy usa el patrón "Data Mapper" (no hay relación uno a uno de tablas y clases: las clases se pueden mapear a selects arbitrarias)
- Elixir usa el patrón "Active Record": relación uno a uno de clases y tablas.
- Soporta claves primarias compuestas.
Un modelo sencillo
La clase Entity define clases, tablas y mapper en un sólo paso.
modelo.py
# -*- coding: utf-8 -*-
from elixir import *
metadata.bind = "sqlite:///peliculas.sqlite"
metadata.bind.echo = True
class Pelicula(Entity):
titulo = Field(Unicode(30))
year = Field(Integer)
descripcion = Field(UnicodeText)
def __repr__(self):
return u'<Peli: "%s" (%d)>' % (self.titulo, self.year)
Creación de la bases de datos
>>> from modelo import *
>>> setup_all() # crea el objeto Tabla SQLAlchemy y el objeto Mapper para la clase Película.
>>> create_all() # crea las tablas SQL correspondientes a la Tabla SQLAlchemy
CREATE TABLE modelo_pelicula (
id INTEGER NOT NULL,
titulo VARCHAR(30),
YEAR INTEGER,
descripcion TEXT,
PRIMARY KEY (id)
)
Creación de la bases de datos II
- Por defecto la tabla se llama <nombre_del_modulo>_<nombre_de_la_clase>.
- Si ningún campo tiene el parámetro primary_key=True, crea un atributo id.
>>> Pelicula(titulo=u"Blade Runner", year=1982)
<Peli: "Blade Runner" (1982)>
>>> session.commit()
Búsquedas
>>> Pelicula.query.all()
[<Peli: "Blade Runner" (1982)>]
>>> peli = Pelicula.query.first() # .first() equivalente a .all()[0]
>>> peli.year = 1983
>>> session.commit()
>>> Pelicula.query.all()
[<Peli: "Blade Runner" (1983)>]
Eliminar
>>> movie.delete()
>>> session.commit()
>>> Pelicula.query.all()
[]
Relaciones
class Pelicula(Entity):
titulo = Field(Unicode(30))
year = Field(Integer)
descripcion = Field(UnicodeText)
director = ManyToOne('Director') # <-- Añade esta línea
def __repr__(self):
return '<Peli: "%s" (%d)>' % (self.titulo, self.year)
class Director(Entity):
nombre = Field(Unicode(60))
peliculas = OneToMany('Pelicula') # <-- Añade esta línea
def __repr__(self):
return '<Director "%s">' % self.nombre
Relaciones II
>>> from model import *
>>> setup_all(True)
CREATE TABLE model_director (
id INTEGER NOT NULL,
nombre VARCHAR(60),
PRIMARY KEY (id)
)
CREATE TABLE model_movie (
id INTEGER NOT NULL,
titulo VARCHAR(30),
YEAR INTEGER,
descripcion TEXT,
director_id INTEGER,
PRIMARY KEY (id),
CONSTRAINT model_movie_director_id_fk FOREIGN KEY(director_id) REFERENCES model_director (id)
)
Relaciones III
# directores
>>> rscott = Director(nombre=u"Ridley Scott")
>>> glucas = Director(nombre=u"George Lucas")
# películas
>>> alien = Pelicula(titulo=u"Alien", year=1979)
>>> swars = Pelicula(titulo=u"Star Wars", year=1977)
>>> brunner = Pelicula(titulo=u"Blade Runner", year=1982)
# Añadimos películas a los directores
>>> rscott.peliculas.append(brunner)
>>> rscott.peliculas.append(alien)
>>> swars.director = glucas
# comprobación
>>> glucas.peliculas
[<Pelicula "Star Wars" (1977)>]
>>> session.commit()
Búsquedas
>>> Pelicula.query.filter_by(titulo=u"Alien").one()
<Pelicula "Alien" (1979)>
>>> Pelicula.query.filter(Pelicula.year > 1980).all()
[<Pelicula "Blade Runner" (1982)>]
>>> Pelicula.query.filter(Pelicula.director.has(nombre=u'Ridley Scott')).all()
[<Pelicula "Alien" (1979)>, <Pelicula "Blade Runner" (1982)>]
>>> Pelicula.query.filter(Pelicula.director.has(Director.nombre.endswith(u'Scott'))).all()
[<Pelicula "Alien" (1979)>, <Pelicula "Blade Runner" (1982)>]
Búsquedas generativas
(usando partes de otras búsquedas)
>>> d = Director.get_by(nombre=u'Ridley Scott') # Class.get_by(xxx) es un atajo para Class.query.filter_by(xxx).first()
>>> q = Pelicula.query.filter_by(director=d)
>>> q.filter_by(year=1979).all()
[<Pelicula "Alien" (1979)>]
>>> from sqlalchemy import desc
>>> q.order_by(desc(Pelicula.year)).all()
[<Pelicula "Blade Runner" (1982)>, <Pelicula "Alien" (1979)>]
Relaciones muchos a muchos
class Genero(Entity):
nombre = Field(Unicode(15), primary_key=True)
peliculas = ManyToMany('Pelicula')
def __repr__(self):
return '<Genero "%s">' % self.nombre
class Pelicula(Entity):
titulo = Field(Unicode(30), primary_key=True) # <-- modifica esta línea
year = Field(Integer, primary_key=True) # <-- y ésta
descripcion = Field(UnicodeText)
director = ManyToOne('Director')
generos = ManyToMany('Genero') # <-- añade esta línea
def __repr__(self):
return '<Pelicula "%s" (%d)>' % (self.titulo, self.year)
Relaciones muchos a muchos (cont.)
>>> from model import *
>>> setup_all(True)
>>> scifi = Genero(nombre=u"Science-Fiction")
>>> rscott = Director(nombre=u"Ridley Scott")
>>> glucas = Director(nombre=u"George Lucas")
>>> alien = Pelicula(titulo=u"Alien", year=1979, director=rscott, generos=[scifi, Genero(nombre=u"Horror")])
>>> brunner = Pelicula(titulo=u"Blade Runner", year=1982, director=rscott, generos=[scifi])
>>> swars = Pelicula(titulo=u"Star Wars", year=1977, director=glucas, generos=[scifi])
>>> session.commit()
>>> Pelicula.query.filter(Pelicula.generos.any(nombre=u"Horror")).all()
[<Pelicula "Alien" (1979)>]
Herencia
Si pensamos en introducir actores y directores:
class Persona(Entity):
using_options(inheritance='multi')
nombre = Field(Unicode(60))
def __repr__(self):
return '<Persona "%s">' % self.nombre
Herencia (cont.)
class Actor(Persona):
using_options(inheritance='multi')
peliculas = ManyToMany('Pelicula')
def __repr__(self):
return '<Actor "%s">' % self.nombre
class Director(Persona):
using_options(inheritance='multi')
peliculas = OneToMany('Pelicula')
def __repr__(self):
return '<Director "%s">' % self.nombre
Herencia (cont.)
>>> rscott = Director(nombre=u"Ridley Scott")
>>> glucas = Director(nombre=u"George Lucas")
>>> hford = Actor(nombre=u"Harrison Ford")
>>> mhamill = Actor(nombre=u"Mark Hamill")
>>> sweaver = Actor(nombre=u"Sigourney Weaver")
>>> session.commit()
Herencia
>>> Persona.query.all()
[<Director "Ridley Scott">, <Director "George Lucas">,
<Actor "Harrison Ford">, <Actor "Mark Hamill">,
<Actor "Sigourney Weaver">]
>>> Actor.query.all()
[<Actor "Harrison Ford">, <Actor "Mark Hamill">, <Actor "Sigourney Weaver">]
Web scraping: la web como fuente de información
La web se está transformando en una web de datos, pero muy poca información se sirve de forma estructurada y abierta:
Dificultades
- Información poco o mal estructurada
- Etiquetado no válido
Alternativas
- Leer la información de la web y parsearla con herramientas de análisis textual (expresiones regulares, etc.)
Some people, when confronted with a problem, think “I
know, I’ll use regular expressions.” Now they have two
problems.
– Jamie Zawinski
from urllib import urlopen
URL = 'http://mipagina.com'
doc = urlopen(URL).read()
Alternativas (cont.)
- Usar parsers de html/xml. Estos parsers tiene que poder leer tagsoup porque se encontrarán con código no válido:
- BeautifulSoup, lxml, amara.
Nosotros usaremos Amara: http://wiki.xml3k.org/Amara (Tutorial)
Amara
- Interfaz rápida con API más cercana al xml
import amara
URL = '....' # URL puede ser una url, una ruta de un fichero o una cadena de texto
doc = amara.parse(URL)
from amara import bindery
URL = '....'
doc = bindery.parse(URL)
Tagsoup
- Para usar html no válido:
from amara.bindery import html
URL = '....'
doc = html.parse(URL)
Ejemplos habituales de uso
Búsqueda por expresiones XPATH
Tip: Hay herramientas como
firebug que permite copiar el XPATH de un elemento.
Ej.: Búsqueda de las imágenes de un artículo
>>> from amara.bindery import html
>>> URL = 'http://heraldo.es'
>>> doc = html.parse(URL)
>>> imagenes = doc.xml_select(u'//img') # las imágenes van en etiquetas img
>>> len(imagenes)
65
>>> primera_imagen = imagenes[0]
Ej.: Búsqueda de las imágenes (cont.)
>>> print primera_imagen.xml_encode()
<img src="/MODULOS/global/publico/interfaces/img/logo-Heraldo.png" alt="Últimas noticias de Aragón, Zaragoza, Huesca y Teruel del periódico digital Heraldo.es"/>
>>> for im in imagenes:
print im.src
/MODULOS/global/publico/interfaces/img/logo-Heraldo.png
/uploads/imagenes/iconos/titulos/jmj.jpg
/uploads/imagenes/rec70/_cuatrovientos6_011b2ad5.jpg
...
Búsqueda de las entradas de una revista
Barrapunto publica sus entradas como
<div class="article">
<div class="generaltitle">
<div class="title">
<h3>
<a href="//softlibre.barrapunto.com/">Software Libre</a>: Todo listo para la celebración de los 20 años de Linux
</h3>
</div>
</div>
<div class="details">
...
</div>
...
</div>
Búsqueda de las entradas de una revista (cont.)
Para extraer los nombres de los artículos de la primera página:
>>> from amara.bindery import html
>>> from amara.lib import U # Extrae los nodos de texto de un fragmento
>>> articulos = doc.xml_select(u'//div[@class="article"]')
>>> len(articulos)
15
>>> for ar in articulos:
print U(ar.div).strip() # Navega por el nodo artículo.
# Cuidado con los espacios en blanco y saltos
Software Libre: Todo listo para la celebración de los 20 años de Linux
Publicado SmartOS, sistema operativo basado en Illumos
Un dispositivo permite a los invidentes ver a través de su lengua
El fin de la ley de Moore
...
Expresiones XPATH útiles
# Nodo que contenga una cadena de texto:
expresion = u'.//text()[contains(., "python")]'
expresion = u'.//text()[contains(., "%s")]' % cadena.decode('utf-8')
# Nodos o atributos que contengan una cadena:
expresion = u'.//@*[contains(., "%s")]'