Diferencia entre revisiones de «Usuario:Lmorillas/intropyaytozgz/xml»
De WikiEducator
(→Scraping con Amara) |
|||
| Línea 56: | Línea 56: | ||
}} | }} | ||
| + | === Búsqueda con xpath === | ||
| + | <source lang="python" line="GESHI_NORMAL_LINE_NUMBERS" > | ||
| + | doc = html.parse(URL) | ||
| + | encontrados = doc.xml_select(<expresión xpath>) | ||
| + | for elemento in encontrados: | ||
| + | <tratar_elemento> | ||
| + | </source> | ||
| + | |||
| + | === Más === | ||
{{Tip| '''Más info''': http://es.wikieducator.org/LSWC_scraping_the_web/taller_scraping_lwsc_2011}} | {{Tip| '''Más info''': http://es.wikieducator.org/LSWC_scraping_the_web/taller_scraping_lwsc_2011}} | ||
Revisión de 22:42 3 dic 2012
Contenido
Amara
- http://wiki.xml3k.org/Amara (Tutorial)
- Tiene dos interfaces:
-
Una muy rápida y con una sintaxis 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)
-
Otra más amigable y fácil de utilizar, que convierte el xml en objetos python.
from amara import bindery URL = '....' doc = bindery.parse(URL)
# si el html o xml puede no ser válido: from amara.bindery import html URL = '....' doc = html.parse(URL)
Instalar
Para instalar la última versión:
$ sudo pip install http://files.akara.info/00-amara-latest.tar.bz2
O descargar, descomprimir y ejecutar dentro del directorio de amara:
$ sudo python setup.py install
Tip: Es necesario tener instalado un compilador de C y la cabeceras de python (en debian/ubuntu hay que instalar python-dev
Scraping con Amara
Lectura de una página html
El proceso básico consiste en utilizar un parser para analizar el documento. Amara tiene 3 parsers:
amara.parse amara.bindery.parse amara.bindery.html.parse
Para usar documentos html usaremos el tercero, que además soporta documentos no válidos (tagsoup). El objeto que devuelve el parser es el que usamos para leer y modificar un documento web.
|
Escribe este ejemplo para leer un documento. Modifica URL para que tenga una dirección real. ¿Qué vemos en la pantalla?
Tip: doc tiene toda la información del documento
|
Búsqueda con xpath
doc = html.parse(URL)
encontrados = doc.xml_select(<expresión xpath>)
for elemento in encontrados:
<tratar_elemento>
Más
