Materiale di preparazione al workshop sul web scraping per il festival di Unit "Connessioni caotiche" - https://wiki.unit.macaomilano.org/ConnessioniCaotiche2017
25'ten fazla konu seçemezsiniz Konular bir harf veya rakamla başlamalı, kısa çizgiler ('-') içerebilir ve en fazla 35 karakter uzunluğunda olabilir.

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149
  1. # Anche i robot navigano il web
  2. ~web scraping, estrarre informazioni da Internet~
  3. ##cosa c'e' sull'Internet
  4. - informazioni
  5. - servizi
  6. - persone che ne fruiscono
  7. ### Informazioni
  8. Le informazioni descrivono la realta' in cui viviamo e sono la base su cui prendiamo delle decisioni. Sono facili da quantificare. Sono facili da manipolare.
  9. #### Tipi di informazione che si trova sull' Internet
  10. (in ordine dalla piu' alla meno rara)
  11. - edita o elaborata (libri, film, tracce musicali, articoli di un blog) - alto valore intrinseco.
  12. - non elaborata (informazioni metereologiche, post su facebook, indirizzo e recapito di una attività commerciale) - basso valore intrinseco.
  13. - metainformazione - (log di un server web/DNS) - valore intrinseco nullo
  14. #### Manipolazione
  15. La manipolazione dell'informazione la carica di valore, la spiega, la rende fruibile. Invormazioni di tipo diverso necessitano tipi diversi di manipolazione per acquistare valore intrinseco.
  16. Ad esempio un log di Apache (server web):
  17. ```64.242.88.10 - - [07/Mar/2004:16:05:49 -0800] "GET /twiki/bin/edit/Main/Double_bounce_sender?topicparent=Main.ConfigurationVariables HTTP/1.1" 401 12846```
  18. per assumere significato deve essere contestualizzato con altre informazioni su:
  19. - utente a cui corrisponde l'indirizzo IP
  20. - contenuti a cui corrisponde il percorso
  21. - altri log a cui associarlo per riprodurre la history di navigazione dell'utente
  22. ### Manipolare l'informazione
  23. *storiella:
  24. Giangiorgino si sveglia tutte le mattine per andare a prendere lo stesso treno che -di tanto in tanto- non arriva alla stazione per l'orario previsto.
  25. Quando questo succede Giangiorgino deve correre per prendere un autobus e due tram se vuole sperare di arrivare a destinazione entro la stessa ora -cosa che solitamente non riesce a fare-.
  26. Giangiorgino, pensandoci su, capisce di avere le seguenti opzioni:
  27. - svegliarsi mezz'ora prima ogni giorno
  28. - scaricare l'ultima App Trenissimissimo che gli invia ogni ora di ogni giorno notifiche in tempo reale sullo stato dei 36 treni circolanti sulla tratta
  29. - **manipolare l'informazione*** - scrivere un programma che ogni giorno decide sulla base dello stato dei treni l'ora a cui puntare la sveglia
  30. Ecco quindi che il processo ripetitivo di:
  31. - a una data ora visitare il sito trenissimissimo.com
  32. - verificare lo stato di percorrenza del treno
  33. - scegliere il percorso ottimale
  34. - fissare la sveglia di conseguenza
  35. Può essere facilmente delegato a un bot, un processo che una volta avviato è in grado di proseguire la sua esecuzione senza l'intervento di un umano.
  36. Per fare questo è necessario individuare le risorse accessibili tramite la rete che rendano disponibile, in formato più o meno elaborato le informazioni sullo stato dei treni in circolazione. (Giangiorgino ha già controllato, il sito trenissimissimo.com fornisce questo servizio)
  37. ####Premessa
  38. Il sito da cui andremo ad estrarre le informazioni e' il seguente:
  39. ```http://viaggiatreno.it/vt_pax_internet/mobile```
  40. Possiamo quindi iniziare a navigarlo tramite un browser (preferibilmente firefox o chromium/chrome) per farci un idea sul suo funzionamento. E' molto utile in questa fase usare gli strumenti inclusi nel browser come
  41. Il network monitor di firefox:
  42. https://developer.mozilla.org/it/docs/Tools/Network_Monitor
  43. Oppure l'equivalente per Chrome:
  44. https://developers.google.com/web/tools/chrome-devtools/network-performance/resource-loading
  45. ####Prerequisiti
  46. - browser web
  47. - python ~2.7 con i seguenti moduli installati *(durante il workshop vi aiuteremo durante l'installazione)*
  48. - ```requests``` che ci permette di gestire le chiamate HTTP[s] e di estrarne il codice HTML
  49. - ```beautifulsoup``` (bs4) che ci permette di operare selezioni all'interno del codice estratto
  50. ####Documentazione
  51. - http://docs.python-requests.org/en/master/
  52. - https://www.crummy.com/software/BeautifulSoup/bs4/doc/
  53. ####Esecuzione
  54. Il punto di partenza e' quindi creare un nuovo file che chiameremo `scraper.py` con il seguente contenuto:
  55. # importiamo il modulo requests
  56. import requests
  57. # modifichiamo gli header in modo da simulare una richiesta proveniente da un browser web (in questo caso firefox) per evitare possibili ban
  58. headers = requests.utils.default_headers()
  59. headers.update({"User-Agent": "Mozilla/5.0"})
  60. # effettuiamo la richiesta
  61. r = requests.get('http://viaggiatreno.it/vt_pax_internet/mobile', headers=headers)
  62. # stampiamo il risultato
  63. print(r.text)
  64. salviamo il file ed eseguiamolo:
  65. $ python scraper.py
  66. in modo da vedere il codice html estratto dalla pagina.
  67. Una volta fatto questo torniamo sul sito ed effettuiamo una ricerca per stazione, tenendo aperto il network monitor del browser. Dopodiche', cerceremo di riprodurre la stessa ricerca utilizzando python:
  68. #! /usr/bin/env python
  69. import requests
  70. from bs4 import BeautifulSoup
  71. headers = requests.utils.default_headers()
  72. headers.update({"User-Agent": "Mozilla/5.0"})
  73. data = {
  74. 'codiceStazione': 'S01700Milano+Centrale',
  75. 'lang': 'IT',
  76. }
  77. r = requests.post('http://viaggiatreno.it/vt_pax_internet/mobile/stazione', headers=headers, data=data)
  78. print(r.text.encode('utf-8'))
  79. Ora che abbiamo il codice html della risposta alla nostra ricerca, possiamo usare beautifulsoup per estrarre solo le informazioni relative ai treni:
  80. #! /usr/bin/env python
  81. import requests
  82. from bs4 import BeautifulSoup
  83. headers = requests.utils.default_headers()
  84. headers.update({"User-Agent": "Mozilla/5.0"})
  85. data = {
  86. 'codiceStazione': 'S01700Milano+Centrale',
  87. 'lang': 'IT',
  88. }
  89. r = requests.post('http://viaggiatreno.it/vt_pax_internet/mobile/stazione', headers=headers, data=data)
  90. soup = BeautifulSoup(r.text, 'html.parser')
  91. treni = soup.find_all("div", class_="bloccorisultato")
  92. for treno in treni:
  93. print(treno)