Webscraping avec BeautifulSoup

Contenu du cours

A propos du webscraping
Pourquoi utilise -t- on le webscraping?
Les Outils couramment utilisés pour le web scraping
Installation de beautifulSoup & requests
Envoyer et analyser une requête HTTP
Analyser le contenu HTML avec BeautifulSoup
Naviguer dans l'arbre HTML
Extraire des attributs spécifiques
Gérer des structures plus complexes
Gérer des pages dynamiques
Scraping avec pagination
Respecter les conditions d'utilisation
Exemple complet : Scraping des titres d'articles d'un blog
Exporter les données extraites

1. A propos du webscraping

Le scraping Web est l'un des moyens les plus efficaces et les plus utiles pour extraire des données d'un site Web.
Certains sites Web peuvent contenir une très grande quantité de données précieuses: Cours boursiers, détails des produits, statistiques sportives, contacts de l'entreprise, etc.
Si vous souhaitez accéder à ces informations, vous devez soit utiliser le format utilisé par le site Web, soit copier-coller les informations manuellement dans un nouveau document. C'est là que le scraping Web peut vous aider.
Qu'est-ce que le scraping Web ?
Le scraping Web fait référence à l'extraction de données d'un site Web. Ces informations sont collectées puis exportées dans un format plus utile pour l'utilisateur. Qu'il s'agisse d'une feuille de calcul ou d'une API.
Bien que le scraping Web puisse être effectué manuellement, dans la plupart des cas, les outils automatisés sont préférés lors du scraping de données Web, car ils peuvent être moins coûteux et fonctionner à un rythme plus rapide.
Mais dans la plupart des cas, le scraping Web n'est pas une tâche simple. Les sites Web se présentent sous de nombreuses formes, par conséquent, les scraping web varient en termes de fonctionnalités et de caractéristiques.

2. Pourquoi utilise -t- on le webscraping?

Les données obtenues via le web scraping peuvent être utilisées dans de nombreux domaines et pour différentes applications, en fonction des besoins:

Surveillance des concurrents : Collecter des informations sur les produits commerciaux, promotions, avis et stratégies des concurrents pour ajuster ses propres actions commerciale.
Études de marché : Analyser des données de marché telles que les tendances de consommation, les produits populaires, ou les nouvelles sorties.
Données financières : Extraction des données boursières (prix des actions, fluctuations des marchés) à partir de sites spécialisés, pour alimenter des systèmes de trading ou d'analyse financière.
Suivi de produits : Extraction de données sur les produits commerciaux (disponibilité, ruptures de stock, promotions) pour les détaillants et e-commerçants afin de suivre en temps réel les performances du marché.
Autre usages : Ainsi que de nombreux autres usages selon les besoins des sociétés et des organismes...

3. Les Outils couramment utilisés pour le web scraping

BeautifulSoup : Une bibliothèque Python permettant de naviguer dans le HTML et d'extraire des données à partir de la structure de la page.
lxml : Un parser XML/HTML très performant, utilisé pour analyser rapidement les pages web.
Selenium : Utilisé pour les sites dynamiques, où le contenu est généré par JavaScript. Selenium permet d'automatiser un navigateur web et d'interagir avec les éléments de la page (clics, défilements, etc.).
Scrapy : Un framework Python complet dédié au scraping de données à grande échelle. Il est puissant pour crawler plusieurs pages de manière automatique.

Dans ce tutoriel nous allons nous intéresser à la bibliothèque beautifulsoup & requests

4. Installation de beautifulSoup & requests

Pour créer des applications de scraping web, il est nécessaire d'installer les deux bibliothèques beautifulSoup et requests, il suffit pour cela d'utiliser l'invite de commande cmd et d'exécuter la commande:

pip install beautifulsoup4 requests

1	pip install beautifulsoup4 requests

5. Envoyer et analyser une requête HTTP

Le web scraping consiste à envoyer des requêtes HTTP pour obtenir le contenu des pages web.
Les données sont ensuite analysées (parsed) à partir de la structure HTML du document pour en extraire les informations désirées. A cet effet nous utilisons la bibliothèque requests pour envoyer une requête HTTP vers une page web et obtenir le code HTML.

import requests

url = "https://example.com"
response = requests.get(url)

# Vérifiez que la requête a réussi
if response.status_code == 200:
    print("Requête réussie!")
    html_content = response.text
else:
    print(f"Erreur: {response.status_code}")

import requests

url = "https://example.com"

response = requests.get(url)

# Vérifiez que la requête a réussi

if response.status_code == 200:

print("Requête réussie!")

html_content = response.text

else:

print(f"Erreur: {response.status_code}")

6. Analyser le contenu HTML avec BeautifulSoup

Une fois que vous avez le code HTML, vous pouvez utiliser BeautifulSoup pour l'analyser et naviguer dans le DOM du contenu HTML.

from bs4 import BeautifulSoup as bsp

# Parser le contenu HTML
soup = bsp(html_content, "html.parser")

# Affiche le contenu du titre de la page
print(soup.title.text)

from bs4 import BeautifulSoup as bsp

# Parser le contenu HTML

soup = bsp(html_content, "html.parser")

# Affiche le contenu du titre de la page

print(soup.title.text)

Code complet:

import requests
from bs4 import BeautifulSoup as bsp

url = "https://www.wikipedia.org"

# créer un objet requests
response = requests.get(url)

# récuperer le contenu de l'objet response
content = response.text

# créer un objet BeautifulSoup 
soup = bsp(content , 'html.parser')

# afficher le titre avec balise : <title>Wikipedia</title>
print(soup.title)

# afficher le titre sans balise <title> : 
print("Titre de la page : ", soup.title.text) # Titre de la page :  Wikipedia

import requests

from bs4 import BeautifulSoup as bsp

url = "https://www.wikipedia.org"

# créer un objet requests

response = requests.get(url)

# récuperer le contenu de l'objet response

content = response.text

# créer un objet BeautifulSoup

soup = bsp(content , 'html.parser')

# afficher le titre avec balise : <title>Wikipedia</title>

print(soup.title)

# afficher le titre sans balise <title> :

print("Titre de la page : ", soup.title.text) # Titre de la page : Wikipedia

7. Naviguer dans l'arbre HTML

BeautifulSoup permet de naviguer facilement dans l'arbre HTML et de trouver les éléments dont vous avez besoin.

7.1 Accéder à des balises spécifiques

# Trouver la première balise <h1>
h1_tag = soup.find('h1')
print(h1_tag.text)

# Trouver toutes les balises <p>
p_tags = soup.find_all('p')
for p in p_tags:
    print(p.text)

# Trouver la première balise <h1>

h1_tag = soup.find('h1')

print(h1_tag.text)

# Trouver toutes les balises <p>

p_tags = soup.find_all('p')

for p in p_tags:

print(p.text)

7.2 Utiliser des sélecteurs CSS

# Sélectionner un élément par classe
element = soup.select_one('.my-class')
print(element.text)

# Sélectionner tous les éléments avec un id spécifique
element_by_id = soup.select('#my-id')
print(element_by_id)

# Sélectionner un élément par classe

element = soup.select_one('.my-class')

print(element.text)

# Sélectionner tous les éléments avec un id spécifique

element_by_id = soup.select('#my-id')

print(element_by_id)

8. Extraire des attributs spécifiques

Vous pouvez également extraire des attributs HTML tels que les liens des images...

# Trouver tous les liens (<a>)
for link in soup.find_all('a'):
    print(link.get('href'))

# Extraire l'attribut 'src' des images
for img in soup.find_all('img'):
    print(img.get('src'))

# Trouver tous les liens (<a>)

for link in soup.find_all('a'):

print(link.get('href'))

# Extraire l'attribut 'src' des images

for img in soup.find_all('img'):

print(img.get('src'))

9. Gérer des structures plus complexes

Certains sites peuvent avoir des structures HTML complexes. Vous pouvez combiner différentes méthodes pour extraire des données de sections spécifiques.

# Extraire du texte dans une balise div avec une classe spécifique
div_content = soup.find('div', class_='content')
print(div_content.text)

# Extraire un lien avec une classe spécifique
special_link = soup.find('a', class_='special-link')
print(special_link['href'])

# Extraire du texte dans une balise div avec une classe spécifique

div_content = soup.find('div', class_='content')

print(div_content.text)

# Extraire un lien avec une classe spécifique

special_link = soup.find('a', class_='special-link')

print(special_link['href'])

10. Gérer des pages dynamiques

Certaines pages web utilisent JavaScript pour charger dynamiquement du contenu, ce qui peut rendre le scraping avec requests et BeautifulSoup insuffisant. Dans ce cas, vous devrez utiliser une solution comme Selenium pour simuler un navigateur.

11. Scraping avec pagination

Si les données sont réparties sur plusieurs pages, vous devrez gérer la pagination pour accéder à toutes les pages.

base_url = "https://example.com/page/"
for i in range(1, 6):  # Scrape les 5 premières pages
    url = base_url + str(i)
    response = requests.get(url)
    soup = BeautifulSoup(response.text, "html.parser")
    # Extraction de données sur chaque page

base_url = "https://example.com/page/"

for i in range(1, 6): # Scrape les 5 premières pages

url = base_url + str(i)

response = requests.get(url)

soup = BeautifulSoup(response.text, "html.parser")

# Extraction de données sur chaque page

12. Respecter les conditions d'utilisation

Notez bien qu'ilfaut toujours respecter les règles du site en consultant le fichier robots.txt et en évitant d'envoyer trop de requêtes en un court laps de temps (throttling). Vous pouvez utiliser des pauses entre les requêtes pour éviter de surcharger le serveur.

import time

# Ajouter un délai entre chaque requête
time.sleep(10)  # Pause de 10 secondes entre les requêtes

import time

# Ajouter un délai entre chaque requête

time.sleep(10) # Pause de 10 secondes entre les requêtes

13. Exemple complet - Scraping des titres d'articles d'un blog

Voici un exemple complet qui scrape les titres d'articles d'une page d'un blog:

import requests
from bs4 import BeautifulSoup

url = "https://example-blog.com"
response = requests.get(url)

if response.status_code == 200:
    soup = BeautifulSoup(response.text, "html.parser")
    
    # Trouver tous les titres d'articles
    articles = soup.find_all('h2', class_='article-title')
    for article in articles:
        title = article.text
        print(title)
else:
    print(f"Erreur: {response.status_code}")

import requests

from bs4 import BeautifulSoup

url = "https://example-blog.com"

response = requests.get(url)

if response.status_code == 200:

soup = BeautifulSoup(response.text, "html.parser")

# Trouver tous les titres d'articles

articles = soup.find_all('h2', class_='article-title')

for article in articles:

title = article.text

print(title)

else:

print(f"Erreur: {response.status_code}")

14. Exporter les données extraites

Vous pouvez exporter les données collectées dans un fichier CSV ou JSON.

14.1 Exporter vers un fichier CSV

import csv

# Données collectées
data = [["Titre", "Lien"], ["Article 1", "https://example.com/article1"], ...]

# Écriture dans un fichier CSV
with open('articles.csv', 'w', newline='', encoding='utf-8') as f:
    writer = csv.writer(f)
    writer.writerows(data)

import csv

# Données collectées

data = [["Titre", "Lien"], ["Article 1", "https://example.com/article1"], ...]

# Écriture dans un fichier CSV

with open('articles.csv', 'w', newline='', encoding='utf-8') as f:

writer = csv.writer(f)

writer.writerows(data)

14.2 Exporter vers un fichier JSON

import json

# Exemple de données collectées
data = {
    "articles": [
        {"titre": "Article 1", "lien": "https://example.com/article1"},
        {"titre": "Article 2", "lien": "https://example.com/article2"}
    ]
}

# Écriture dans un fichier JSON
with open('articles.json', 'w', encoding='utf-8') as f:
    json.dump(data, f, ensure_ascii=False, indent=4)

import json

# Exemple de données collectées

data = {

"articles": [

{"titre": "Article 1", "lien": "https://example.com/article1"},

{"titre": "Article 2", "lien": "https://example.com/article2"}

]

}

# Écriture dans un fichier JSON

with open('articles.json', 'w', encoding='utf-8') as f:

json.dump(data, f, ensure_ascii=False, indent=4)

Younes Derfoufi
CRMEF OUJDA

Post Views: 114

Acheter sur Très Facile !

Webscraping avec BeautifulSoup

1. A propos du webscraping

2. Pourquoi utilise -t- on le webscraping?

3. Les Outils couramment utilisés pour le web scraping

4. Installation de beautifulSoup & requests

5. Envoyer et analyser une requête HTTP

6. Analyser le contenu HTML avec BeautifulSoup

Code complet:

7. Naviguer dans l'arbre HTML

7.1 Accéder à des balises spécifiques

7.2 Utiliser des sélecteurs CSS

8. Extraire des attributs spécifiques

9. Gérer des structures plus complexes

10. Gérer des pages dynamiques

11. Scraping avec pagination

12. Respecter les conditions d'utilisation

13. Exemple complet - Scraping des titres d'articles d'un blog

14. Exporter les données extraites

14.1 Exporter vers un fichier CSV

14.2 Exporter vers un fichier JSON

Uten Table de Lit Pliable pour Ordinateur Portable

Pratique Data Science: Les Fondamentaux avec Python

TP-Link Routeur WiFi 6 Archer AX58 : Performances et Fonctionnalités Avancées

Leave a Reply Cancel reply