Taller de Web Scraping LWSC 2011

Planteamiento del taller de scraping

En el taller vamos a usar Python y Amara para hacer una práctica de web scraping. El nivel del taller es de iniciación.

Objetivo

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

Configuración

Python y Amara son multiplataforma. En el taller vamos a indicar cómo instalar el entorno en linux.

Configuración del entorno

Configuración del entorno

Instalación de python. $ sudo apt-get install python2.7 python2.7-dev python-pip idle-python2.7 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 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 modifcar un documento web.

Lectura básica de un documento

Lectura básica de un documento

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

Vamos a practicar con un ejemplo muy sencillo, el ejemplo de la liga

	Ejemplo
	¿Cuál es el título del documento? print doc.html.head.title ¿Cuáles son las ligas recogidas en el documento? for liga doc.html.body.h2: print liga ¿Cuáles son los equipos de la Liga BBVA? for equipo in doc.html.body.ul.li: print equipo

Un ejemplo más complejo: análisis de los cursos de formación para el empleo

Vamos a usar ahora un ejemplo real: el listado de cursos de formación para el empleo del INAEM recogido en 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