BSscrapper

Scrapper basado en Beautiful Soup

• jobs: Cada uno tiene por competencia una pagina ("target") sobre la que hacer scrapping. Existe para poder personalizar cada caso.
• requesters: Para cada job, existe un requester que se ocupa de traer del servidor remoto el/los documento(s) sobre los que se quiere hacer scrapping. Existe en funcion de las peculiaridades que ese requesting pudiera tener, como bloqueo por numero de solicitudes.
• scrappers: Para cada job, existe un scrapper, ajustado a las peculiaridades de cada pagina en cuestion (i.e.: extraer datos de La Nacion vs extraerlos de Ambito Financiero o Infobae no va a ser, en general, igual, dado que la diagramacion de la pagina va a ser diferente). Existe en funcion de las peculiaridades de cada documento que un target dado retorne (ya sea el o los documentos que se recuperen de un target e interese scrappear).

Ejemplos durante el desarrollo:

• Ambito Financiero: https://www.ambito.com/
  • ambitofinanciero_job imported as job
    • ambitofinanciero_requester imported as requester
    • ambitofinanciero_scrapper imported as scrapper
• Infobae: https://www.infobae.com
  • infobae_job imported as job
    • infobae_requester imported as requester
    • infobae_scrapper imported as scrapper
• La Nacion: https://www.lanacion.com.ar
  • lanacion_job imported as job
    • lanacion_requester imported as requester
    • lanacion_scrapper imported as scrapper

Comentarios

Dado diario, cada diario_job especifico, cada diario_requester especifico, y cada diario_scrapper especificos, se pueden crear como subclases de clases job, requester, y scrapper generales.

Uso

Clonar el repositorio,

git clone https://github.com/LeninaXXX/BSscrapper

crear un virtual environment,

python -m venv .venv

activar el virtual environment,

.venv\Scripts\Activate.bat

instalar paquetes requeridos; se van a instalar al virtual environment, en .venv,

pip install -r requirements.txt

Hecho esto, el paquete deberia estar listo para ser usado:

python main.py -j <job/s>

Donde job/s es uno o mas trabajos validos:

To_Do:

• El DataModel es medio un moving target y esta pendiente de actualizacion...

* Hay metodos en la subclase lanacion_job que en una primera aproximacion los puse ahi pensando que iban a tener preculiaridades propias de La Nacion, pero que en realidad son completamente genericos, y pueden moverse a la superclase (job). Para las subclases solo parecen realmente indispensables cosas como url. Si bien tal vez esa logica se podria implementar como instancias de una unica clase, por lo pronto me parece sensato dejarlas por si el scrapping evoluciona a algo mas sofisticado que extraer uno o mas articulos de la portada: representa una buena separacion de tareas, y no complica especialmente las cosas.

• DBs:

  • Hace falta definir el data model. * Por lo pronto se pueden meter con la pala ancha en MongoDB??? * Preferiria tener la asistencia/supervision de alguien que este familiarizado con las DBs. Dado que conviven bases de datos de produccion, mi temor de mandarme un moco es sencillamente mayusculo (aun si creo que no soy tan animal, la precaucion no esta de mas).
  • ... logging...
  • ... to provide ease of debugging at database insertion level
  • Alertas!!!

• Ambito Financiero & Infobae me quedaron pendientes. Decidir un criterio de como individualizar lo que se quiere scrappear puntualmente (e.g.: El articulo principal) de manera tal que sea robustamente repetible parece deceptively hard, y casi diria que fue lo mas time consuming... es eso o estoy pasando algo obvio por alto y/o encarando mal la cosa.

• Selenium: El scrapping de targets como La Nacion parecen volver inevitable el uso de Selenium/WebDriver

Wishlist:

• Un modo mas inmediato, intuitivo, etc... de 'tantear' ese criterio con el cual individualizar el nodo del tree html del que extraer el scrap. Vengo pensando en un script interactivo que permita usar Beautiful Soup (u otro scrapper for that matter) de manera interactiva para explorar el texto de un request, y que haga mas facil "visualizar" lo que se quiere. Jupyter garpa... pero se pone verboso rapido y es tal vez demasiado general
• Idealmente el programa deberia levantar toda la configuracion de archivos externos: Tarea que no parece, ni por asomo, trivial.
• Dormir (?)

---

Sitios "Suyos"

• Ambito Financiero: https://www.ambito.com/
• Infobae: https://www.infobae.com
• La Nacion: https://www.lanacion.com.ar

Sitios "Nuestros"

• La 100 Radio ( https://radiomitre.cienradios.com )

---

DataModels

SQL

id
captureDatetime
name
url
mainArticle
mainArticleCategory
mainArticleLead
nArticles
nEconomics
nPolitics
nSociety
nSports
nPolice
nOthers

MongoDB

mongodb_document {'id': ..., 'rawData': ..., 'annotations': }
	id : str()
	rawData : dict()
		requests_text : str()
		requests_reason : str()
		requests_status_code : str()		# type(req.status_code) == int
		requests_apparent_encoding : str()
	annotations : {}
		main_article: dict()
		articles : list()
			article_1 : dict()
			article_2 : dict()
			...		
			article_i : dict()
				title : str()
				slug : str()
				category : str()
				photo : {}
					location : {}
						abs_loc :
						rel_loc :
					size : {}
						abs_size : 
						rel_size : 
			...
			article_n : dict()

How to commit this into MongoDB:

https://www.mongodb.com/compatibility/json-to-mongodb#how-to-import-json-into-mongodb-using-python

Log

pyodbc : pyodbc 4.0.32 => pyodbc 4.0.34 MongoDB_doc separado en MongoDB_raw_doc & MongoDB_clean_doc. MongoDB_raw_doc to be commited to RAWDATA Collection MongoDB_clean_doc to be commited to CLEANSED Collection