Diferencia entre revisiones de «Usuario:Lmorillas/modulo programacion/python/web scraping»

De WikiEducator
Saltar a: navegación, buscar
(BeautifulSoup)
(Más ejemplos interesantes)
 
(Una revisión intermedia por el mismo usuario no mostrado)
Línea 35: Línea 35:
 
     print curso.a.string, curso.a.get('href')
 
     print curso.a.string, curso.a.get('href')
 
</source>
 
</source>
 +
 +
=== Más ejemplos interesantes ===
 +
* http://pythonadventures.wordpress.com/tag/beautifulsoup/
 +
* https://bitbucket.org/chemacortes/calibre-scrap/overview

Última revisión de 12:29 29 nov 2011


¿Qué es?

Herramientas

Podemos leer una página web como si fuera un fichero

from urllib2 import urlopen
doc = urlopen('http://www.cpilosenlaces.com').read()

Y procesar el texto.

Usaremos herramientas especiales.

BeautifulSoup

Un ejemplo: Cursos de formación del INAEM

from BeautifulSoup import BeautifulSoup
 
url = 'http://plan.aragon.es/MapaRec.nsf/fmrListado'  # Listado cursos formación empleo ...
doc = BeautifulSoup(urllib2.urlopen(url))
# mostrar documento indentado
print doc.prettify()  
 
# Analizamos el doc. Los cursos están almacenados:
#    * en tablas (elemento td)
#    * que tienen clase "textoApl1"
 
cursos = doc.findAll('td', attrs={'class': "textoApl1"})
for curso in cursos:
    # Imprimimos nombre y url del curso:
    print curso.a.string, curso.a.get('href')

Más ejemplos interesantes