Selenium como herramienta de Web Scraping

Selenium como herramienta de Web Scraping

@dani_latorre - 26/08/2013 - Zaragoza Python Days

Web Scraping

• “... es una técnica utilizada mediante programas de software para extraer información de sitios web.”

• Ingeniería inversa

• Controvertido

Selenium

• “Selenium is a suite of tools to automate web browsers across many platforms.”

• Testing de aceptación web

• Automatización de acciones de usuario

• Web scraping

Bindings• Python

• Java

• C#

• Ruby

• Javascript - Node

• PHP, Perl (mantenidos por terceros)

Otras librerías

• urllib

• Mechanize

• BeautifulSoup/lxml

• Scrapy (crawling)

Viene bien

• XPath

• Selectores CSS

• Expresiones Regulares

• Mucha paciencia

¿Por qué selenium?

Caso ShuttleCloud

• Migración entre proveedores de email

• Necesidad de escalabilidad

• Homogeneizar scrapers

• Herramienta madura

Infraestructura (EC2)• 1 Selenium Hub

• 3 Selenium Grid (15 firefox)

• 1 BrowserMob Proxy

• 3 BigCouch

• 1 Rabbit MQ

• 1 Scrapers

Selenium with Python

find_element_by...• _id / _name

• _tag_name

• _link_text / _partial_link_text

• _class_name

• _css_selector

• _xpath

Navegación• get("http://dlabs.co/")

• anchor_element.click()

• switch_to_window("name")

• switch_to_frame("name")

• add_cookie({"key": "value"})

• get_cookies()

Interacción

• input.send_keys("some text")

• input.clear()

• option.click()

• submit.click()

• execute_script(“alert(‘foo’)”)

https://gist.github.com/danilat/6341150

Gracias