web-scraping-caotico/README.md
2017-11-10 01:02:51 +01:00

5.8 KiB

Anche i robot navigano il web

~web scraping, estrarre informazioni da Internet~

##cosa c'e' sull'Internet

  • informazioni
  • servizi
  • persone che ne fruiscono

Informazioni

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.

Tipi di informazione che si trova sull' Internet

(in ordine dalla piu' alla meno rara)

  • edita o elaborata (libri, film, tracce musicali, articoli di un blog) - alto valore intrinseco.
  • non elaborata (informazioni metereologiche, post su facebook, indirizzo e recapito di una attività commerciale) - basso valore intrinseco.
  • metainformazione - (log di un server web/DNS) - valore intrinseco nullo

Manipolazione

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.

Ad esempio un log di Apache (server web):

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

per assumere significato deve essere contestualizzato con altre informazioni su:

  • utente a cui corrisponde l'indirizzo IP
  • contenuti a cui corrisponde il percorso
  • altri log a cui associarlo per riprodurre la history di navigazione dell'utente

Manipolare l'informazione

*storiella: 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. 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-. Giangiorgino, pensandoci su, capisce di avere le seguenti opzioni:

  • svegliarsi mezz'ora prima ogni giorno
  • 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
  • manipolare l'informazione* - scrivere un programma che ogni giorno decide sulla base dello stato dei treni l'ora a cui puntare la sveglia

Ecco quindi che il processo ripetitivo di:

  • a una data ora visitare il sito trenissimissimo.com
  • verificare lo stato di percorrenza del treno
  • scegliere il percorso ottimale
  • fissare la sveglia di conseguenza

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.

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)

####Premessa

Il sito da cui andremo ad estrarre le informazioni e' il seguente:

http://viaggiatreno.it/vt_pax_internet/mobile

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

Il network monitor di firefox: https://developer.mozilla.org/it/docs/Tools/Network_Monitor

Oppure l'equivalente per Chrome: https://developers.google.com/web/tools/chrome-devtools/network-performance/resource-loading

####Prerequisiti

  • browser web
  • python ~2.7 con i seguenti moduli installati (durante il workshop vi aiuteremo durante l'installazione)
    • requests che ci permette di gestire le chiamate HTTP[s] e di estrarne il codice HTML
    • beautifulsoup (bs4) che ci permette di operare selezioni all'interno del codice estratto

####Documentazione

####Esecuzione

Il punto di partenza e' quindi creare un nuovo file che chiameremo scraper.py con il seguente contenuto:

# importiamo il modulo requests
import requests


# modifichiamo gli header in modo da simulare una richiesta proveniente da un browser web (in questo caso firefox) per evitare possibili ban
headers = requests.utils.default_headers()
headers.update({"User-Agent": "Mozilla/5.0"})

# effettuiamo la richiesta
r = requests.get('http://viaggiatreno.it/vt_pax_internet/mobile', headers=headers)

# stampiamo il risultato
print(r.text)

salviamo il file ed eseguiamolo:

$ python scraper.py

in modo da vedere il codice html estratto dalla pagina.

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:

#! /usr/bin/env python
import requests
from bs4 import BeautifulSoup

headers = requests.utils.default_headers()
headers.update({"User-Agent": "Mozilla/5.0"})

data = {
    
    'codiceStazione': 'S01700Milano+Centrale',
    'lang': 'IT',
}

r = requests.post('http://viaggiatreno.it/vt_pax_internet/mobile/stazione', headers=headers, data=data)

print(r.text.encode('utf-8'))

Ora che abbiamo il codice html della risposta alla nostra ricerca, possiamo usare beautifulsoup per estrarre solo le informazioni relative ai treni:

#! /usr/bin/env python
import requests
from bs4 import BeautifulSoup

headers = requests.utils.default_headers()
headers.update({"User-Agent": "Mozilla/5.0"})

data = {
    'codiceStazione': 'S01700Milano+Centrale',
    'lang': 'IT',
}

r = requests.post('http://viaggiatreno.it/vt_pax_internet/mobile/stazione', headers=headers, data=data)

soup = BeautifulSoup(r.text, 'html.parser')
treni = soup.find_all("div", class_="bloccorisultato")

for treno in treni:
    print(treno)