LSWC scraping the web/taller scraping lwsc 2011/horario lwsc

{{MiTitulo | Scraping del horario de la LWSC

Búsquedas en el documento

# -*- coding: utf-8 -*-
 
from amara.bindery import html
 
doc = html.parse('horario.html')
 
# Los días están marcados en tablas que tienen un atributo summary
dias = doc.xml_select(u'//table[@summary]')
 
for d in dias:
	print d.summary
 
for charla in doc.xml_select(u'//td[@title][@class="python"]'):
	print  charla.title, ' - ', charla
 
# Podemos hacer lo mismo con menos xpath y más python ...
for charla in doc.xml_select(u'//td'):
	if charla.title and charla['class'] == 'python':
		print charla.title, '-->>', charla
 
# ¿A qué día pertenece una charla que hemos seleccionado?
tabla = charla.xml_select(u'ancestor::table')[0]
if '10' in tabla.summary:
	print 'Esta actividad es el jueves'

Transformación del documento

Vamos a borrar a Joomla del calendario

from amara.bindery import html
from amara.writers import lookup
from amara.tree import text
HTML_W = lookup("html")  
 
doc = html.parse('horario.html')
joomlas = doc.xml_select(u'//td[@class="joomla"]')
 
for j in joomlas:
	for ch in j.xml_children:
		j.xml_remove(ch)
	j.xml_append(text(u' '))
 
open('nuevo_horario.html', 'w').write(doc.xml_encode(HTML_W))