Rascunho da Web em Python: Automação eficiente da coleta de dados
A raspagem da Web é um método de coleta de dados de sites. Ele permite extrair as informações necessárias para análise, monitoramento de preços, rastreamento de notícias e várias outras finalidades. Os raspadores ou analisadores da Web são ferramentas usadas para realizar a raspagem da Web. A linguagem mais conveniente e popular para escrever raspadores da Web é Python, embora quase qualquer linguagem possa ser usada para esse fim. Os usuários escolhem Python por vários motivos: sua sintaxe fácil, uma grande variedade de bibliotecas úteis para análise e suporte e atualizações constantes.
Neste guia, abordaremos as principais ferramentas de raspagem da Web e forneceremos um exemplo de implementação em Python. Com instruções passo a passo, você entenderá os conceitos básicos de raspagem e análise da Web, escreverá um script simples para coletar dados e aprenderá métodos para contornar vários obstáculos durante o processo.
Escolhendo um IDE
Para trabalhar com eficiência, você precisa de um ambiente de desenvolvimento. A escolha de um ambiente adequado para raspagem da Web depende de vários fatores, como facilidade de uso, suporte às ferramentas necessárias, preferências pessoais e requisitos do projeto. Entre as ferramentas mais populares adequadas para a raspagem da Web em Python estão o PyCharm e o Visual Studio Code.
- PyCharm
- Prós:
- ID completo com muitos recursos.
- Suporte para depuração, autocompletamento de código e gerenciamento de projetos.
- Suporte para ambientes virtuais e integração com o Git.
- Cons:
- Pode ser sobrecarregado para projetos pequenos.
- Requer mais recursos em comparação com editores de texto.
- Visual Studio Code (VS Code)
- Pros:
- Ambiente leve e personalizável.
- Uma ampla seleção de extensões para Python e raspagem da Web.
- Suporte para depuração, Git e terminal.
- Cons:
- Pode exigir configuração para a funcionalidade completa do Python.
- Podem ocorrer problemas de desempenho com um grande número de extensões.
- Pros:
- Prós:
O Python também deve ser instalado em seu computador. Aqui está o guia de instalação para seu sistema operacional:
- macOS: Faça o download da versão mais recente do Python no site oficial e siga as instruções do instalador.
Linux: O Python é pré-instalado em algumas distribuições do Linux (por exemplo, Ubuntu). Para verificar a versão do Python, execute o seguinte comando no terminal:
python --versionSe a versão do Python estiver desatualizada, instale a versão mais recente com este comando (exemplo para distribuições baseadas no Debian):
sudo apt-get update && sudo apt-get install python3- Windows: Visite o site do Python e faça o download da versão apropriada. Marque a caixa "Add python.exe to PATH" (Adicionar python.exe ao PATH) durante a instalação. Isso adicionará o Python ao PATH do sistema, facilitando o uso a partir da linha de comando.
Agora, vamos dar uma olhada nas bibliotecas e ferramentas que tornarão mais conveniente escrever scripts para seu analisador. Abaixo estão as melhores opções, juntamente com suas características, para ajudá-lo a fazer a escolha certa para suas tarefas.
- Requests: Uma biblioteca simples e conveniente para enviar solicitações HTTP. Ela recupera facilmente o código HTML das páginas da Web. Essa biblioteca é adequada para a maioria das tarefas padrão de raspagem da Web, especialmente se você não planeja executar um grande número de solicitações simultâneas. Ideal para raspagem de sites pequenos ou quando a execução assíncrona não é necessária.
- Aiohttp: adequada para cenários mais complexos em que você precisa lidar com várias solicitações simultâneas e gerenciar tarefas assíncronas. Útil para trabalhar com grandes quantidades de dados e servidores em que a alta velocidade e a eficiência são importantes. Ideal para raspagem assíncrona da Web.
- Lxml: Uma biblioteca flexível e altamente eficiente para processar documentos XML e HTML. Ela oferece recursos convenientes para trabalhar com esses documentos e oferece suporte a XPath e XSLT.
- BeautifulSoup: Uma biblioteca para análise de documentos HTML e XML. Ela permite extrair dados do código HTML, estruturá-los e pode até mesmo processar HTML mal estruturado e corrigi-lo. A BeautifulSoup usa vários analisadores para analisar HTML e XML, como o
html.parserincorporado no Python e analisadores de terceiros comolxmlehtml5lib, permitindo que você escolha o analisador mais adequado para a tarefa em questão. - Scrapy: Uma estrutura avançada para raspagem da Web e análise de dados que permite criar projetos para coletar, processar e salvar dados em vários formatos. O Scrapy é compatível com solicitações assíncronas, o que o torna muito rápido.
- Selenium: Uma ferramenta para automatizar navegadores. Permite a interação com páginas da Web exatamente como um usuário, o que a torna ideal para trabalhar com sites dinâmicos. As vantagens do Selenium incluem o suporte a Python e JavaScript e a capacidade de simular ações do usuário.
- Pyppeteer: Uma versão Python do Puppeteer (uma biblioteca Node.js) que automatiza o navegador Chromium para raspagem da Web. Permite a navegação na página, o preenchimento de formulários, o envio, os cliques em botões e outras ações rotineiras do usuário. O Pyppeteer também é útil para trabalhar com conteúdo dinâmico.
- Playwright: Uma ferramenta avançada para automação do navegador que oferece suporte a várias linguagens (JavaScript/TypeScript, Python, .NET/C# e Java), é multithread e funciona com vários navegadores (Chromium, Firefox, WebKit). Ele pode ser instalado no Windows, macOS e Linux. O Playwright oferece alto desempenho e facilidade de uso para raspagem da Web e testes de aplicativos da Web.
O que é HTML?
Antes de escrever qualquer raspador, você precisa entender os conceitos básicos de HTML e ser capaz de analisar a marcação do site para evitar se perder ao procurar elementos. HTML (HyperText Markup Language) é uma linguagem de marcação padrão usada para criar e estruturar páginas da Web. Ela descreve a estrutura do documento, incluindo texto, imagens, links e outros elementos exibidos no navegador.
- Tags: Um documento HTML consiste em várias tags que definem a estrutura e o conteúdo. Por exemplo:
<html>: o elemento raiz de um documento HTML.<head>: Contém metadados como o título da página (<title>) e links para estilos.<body>: A parte principal do documento, contendo o conteúdo visível da página.
- Elementos: Dentro das tags, pode haver elementos como:
<h1>,<h2>, ...,<h6>: Cabeçalhos de vários níveis.<p>: Um parágrafo de texto.<a>: Um link.<img>: Uma imagem.<div>,<span>: Contêineres para agrupar outros elementos.
- Atributos: as tags podem ter atributos que fornecem informações adicionais sobre o elemento. Por exemplo:
<a href="https://example.com">: O atributohrefespecifica o URL de um link.<img src="image.jpg" alt="image description">: O atributosrcespecifica o caminho para a imagem ealtfornece um texto alternativo.
Antes de selecionar as ferramentas apropriadas para escrever um scraper, você precisa estudar o site de destino e determinar se ele contém conteúdo dinâmico. Para fazer isso, carregue a página, abra a guia Network em Developer Tools e verifique se estão sendo feitas solicitações Fetch/XHR (essas tecnologias permitem que as páginas da Web atualizem dinamicamente o conteúdo com base nos dados recebidos do servidor):
- Se não estiverem sendo feitas solicitações Fetch/XHR: você pode usar bibliotecas como BeautifulSoup e requests.
- Se o site tiver conteúdo dinâmico: você deve usar ferramentas como Selenium ou Playwright para carregar as páginas da Web.
Para uma página estática de teste para extrair alguns dados, escolheremos https://quotes.toscrape.com/. Vamos escrever um raspador simples para extrair as três primeiras citações e seus autores.
Para nossa finalidade, as bibliotecas BeautifulSoup e requests são suficientes. Vamos criar um novo arquivo no editor/IDE e adicionar as bibliotecas ao projeto usando o comando:
pip install beautifulsoup4 requests
BeautifulSoup facilita a pesquisa e a extração de dados:
Por Tags:
title_tag = soup.title print(title_tag) # <title>Page Title</title>Por texto: para extrair texto de uma tag, use o método
.get_text():header_text = soup.h1.get_text() print(header_text) # CabeçalhoPor Classes, IDs e Atributos:
elements = soup.find_all(class_='my-class') element = soup.find(id='my-id') links = soup.find_all('a', href=True)Para consultas mais complexas: você pode usar seletores CSS com o método
.select():headers = soup.select('h1')
Vamos retornar à página de destino, encontrar os elementos necessários e começar a escrever o código.
Abra o arquivo recém-criado e importe as bibliotecas instaladas anteriormente:
importar solicitações
from bs4 import BeautifulSoupEspecifique o URL da página necessária, defina o cabeçalho User-Agent para simular a atividade do navegador e envie uma solicitação GET para a página:
url = 'https://quotes.toscrape.com/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, como Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
response = requests.get(url, headers=headers)Verifique se a solicitação foi bem-sucedida:
if response.status_code == 200:
# Crie um objeto BeautifulSoup para analisar o HTML
soup = BeautifulSoup(response.text, 'html.parser')Em uma janela separada do navegador com a página de destino aberta, localize todos os blocos com aspas, itere sobre os três primeiros blocos de aspas e extraia o texto da aspa em seu código:
Dica: Para pesquisar e analisar rapidamente as informações necessárias, passe o cursor sobre o elemento desejado, clique com o botão direito do mouse e selecione "Inspecionar". Isso abrirá o Developer Tools, onde você poderá visualizar o elemento na estrutura HTML da página e explorar outros elementos que ele possa conter. O destaque dos elementos selecionados facilita a tarefa.
citações = soup.select('.quote')
for quote in quotes[:3]:
text = quote.select_one('.text').get_text(strip=True)Extraia o nome do autor e imprima-o no console:
author = quote.select_one('.author').get_text(strip=True)
print(f'Quote: {text}\nAuthor: {author}\n')
else:
print(f'Falha ao recuperar a página. Código de status: {response.status_code}')Aqui está o código completo com explicações:
importar solicitações
from bs4 import BeautifulSoup
# URL da página a ser extraída
url = 'https://quotes.toscrape.com/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, como Gecko) Chrome/128.0.6613.85 Safari/537.36'
}
# Envie uma solicitação GET para a página com um agente de usuário
response = requests.get(url, headers=headers)
# Verificar se a solicitação foi bem-sucedida
if response.status_code == 200:
# Crie um objeto BeautifulSoup para analisar o HTML
soup = BeautifulSoup(response.text, 'html.parser')
# Encontre todos os blocos que contêm aspas
quotes = soup.select('.quote')
for quote in quotes[:3]:
# Extraia o texto da citação
text = quote.select_one('.text').get_text(strip=True)
# Extrair o nome do autor
author = quote.select_one('.author').get_text(strip=True)
# Exibir as informações
print(f'Citação: {texto}\nAutor: {autor}\n')
else:
print(f'Failed to retrieve the page. Status code: {response.status_code}')Quando você executar o código, seu coletor de dados exibirá as informações de que você precisa - as três primeiras citações e os nomes de seus autores.
