web-scraping-caotico/README.md

Anche i robot navigano il web

~web scraping, estrarre informazioni da Internet~

intro

• cosa c'e' sull'internet
  • informazioni
  • risorse
  • servizi
• web vs web browser
  • analisi di una richiesta HTTP
  • dimostrazione con cUrl
• estrazione
  • superficie: panoramica possibili utilizzi
  • tecniche
  • ostacoli e limitazioni
    • tecnico-pratiche
    • legali*
• inserimento
  • superficie: panoramica possibili utilizzi
  • tecniche e ostacoli come da estrazione
• motivazioni
  • pratiche
    • reperibilita' offline
    • far sopravvivere la fruizione ai provider attuali dei contenuti
    • costruzione di soluzioni utente-centriche
  • politiche
    • liberare le informazioni
  • artistiche
    • manipolare le informazioni per caricarle di altro significato

(*) need halp

pratica 1: cUrl

(?)pratica 1.5: greasemonkey

pratica 2: scrapy

pratica 3: PhantomJs/CasperJs

(???)pratica 4: selenium/watir

tbd: obiettivi scraping per workshop

---

#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
• non elaborata
• metainformazione

Manipolare l'informazione

*parabola: 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*

Manipolare l'informazione significa modificarla, filtrarla e combinarla con altra informazione al fine di darle nuovo significato.

Giangiorgino vuole solo sapere se il suo treno arriverà in ritardo, e lo vuole sapere prima di fissare 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 robot, un processo che una volta avviato è in grado di proseguire la sua esecuzione senza l'intervento di un umano.

Nell'internet, esistono diversi tipi di (ro)bot che navigano la rete in cerca d'informazione, tra cui:

• motori di ricerca
• aggregatori
• id scanner (i.e. EC2 bot)