Taller de Web Scraping LWSC 2011

Actividad

Objetivo

Introducción a las técnicas básicas de scraping usando Python y Amara Herramientas de ayuda (firebug, curl, ...)

Configuración del entorno

Configuración del entorno

Instalación de amara $ sudo pip install http://files.akara.info/00-amara-latest.tar.bz2 Tip: Es necesario tener instalado un compilador de C y la cabeceras de python (en debian/ubuntu hay que instalar python-dev) Instalar firebug https://addons.mozilla.org/es-es/firefox/addon/firebug/

Lectura básica de un documento

Lectura básica de un documento

from amara.bindery import html URL = 'http://mypage.com'   doc = html.parse(URL) Tip: doc tiene toda la información del documento

	Ejemplo
	Listado de cursos del INAEM: http://plan.aragon.es/MapaRec.nsf/fmrListado?OpenForm Tip: Para el taller usaremos una copia local, para no saturar el servidor

Acceso al contenido de la página

Acceso al contenido de la página

from amara.bindery import html from amara.lib import U   URL = '<introduce la dirección de la copia local>'   doc = html.parse(URL) print U(doc.html.body) # doc permite recorrer el documento con sintaxis python Tip: doc tiene toda la información del documento