Screen Scraping :: Aumentando el poder de la web

Luis Miguel Morillas <lmorillas at xml3k.org>

identi.ca: lmorillas

1. Intro

¿Por qué hacer scraping?

• En la web hay mucha información
• No siempre estructurada (opendata)
• Web de datos
• Divertido

Condiciones Legales

• Uso responsable

Robots y Screen Scraping (raspado de pantalla): Usted no podrá usar 
minería de datos ("data mining"), robots, screen scraping o herramientas 
similares de acumulación y extracción de datos en este sitio de red, 
salvo con nuestro consentimiento expreso y por escrito tal y 
como se indica a continuación.

http://www.imdb.es/help/show_article?conditions

¿Por qué Python?

• Muy fácil para "no programadores"
• Muchos módulos, herramientas, ejemplos y documentación.
• Desarrollo muy rápido y eficiente
• Open-source

2. ¿Cómo?

¿Búsqueda "bruta"?

import urllib2
 
URL = 'http://www.libresoftwareworldconference.com/'
source = urllib2.urlopen(URL).read()

• Proceso del texto (Búsqueda subcadenas ...)
• Expresiones regulares

No. Librerías en Python

• Beautiful Soup
• lxml
• html5lib
• mechanize
• scrapemark
• pyquery
• scrapy

...

amara

• http://akara.info
• http://www.xml3k.org
• Proyecto liderado por Uche Ogbuji / Zepheira
• Combina el poder de Python y de las tecnologías XML

Para los que quieran más detalles

• Implementada en C y Pyhton
• Parser basado en Expat
• API para recorrido de nodos muy eficiente y sencilla
  • Python
  • XPath
  • InfoSet
• XPath (& binding dinámico de objetos)
• XSLT (& enlazado con funciones en Python)
• Aserciones basadas en Schematron (validación de modelos)
• Licencia tipo Apache

2. Práctica