icef/seminars/icef-html.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Python для сбора данных\n",
    "\n",
    "*Алла Тамбовцева, НИУ ВШЭ*\n",
    "\n",
    "### Web-scraping\n",
    "\n",
    "Мы уже немного познакомились со структурой html-файлов, теперь попробуем выгрузить информацию из реальной страницы, а точнее, с сайта [nplus1.ru](https://nplus1.ru/). Наша задача: выгрузить недавние новости в датафрейм pandas, чтобы потом сохранить все в файл Excel.\n",
    "\n",
    "Сначала сгрузим весь html-код страницы и сохраним его в отдельную переменную. Для этого нам понадобится библиотека `requests`. Импортируем ее:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import requests"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Сохраним ссылку на главную страницу сайта в переменную `url` для удобства и выгрузим страницу. Разумеется, это будет работать при подключении к интернету. Если соединение будет отключено, Python выдаст `NewConnectionError`."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [],
   "source": [
    "url = \"https://nplus1.ru/\"\n",
    "page = requests.get(url)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Если мы просто посмотрим на объект, мы ничего особенного не увидим:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "<Response [200]>"
      ]
     },
     "execution_count": 3,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "page"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Объект `page` имеет тип `Response` и скрыт от наших глаз. Однако при его вызове мы видим число 200 – это код результата, который означает, что страница благополучно загружена."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "У объекта типа `Response` есть атрибут `.text`, в котором хранится исходный код страницы, который мы можем посмотреть, нажав *Ctrl+U* в Chrome:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [],
   "source": [
    "page.text"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Результат выше – это обычная строка, тип *string*. Выполнять поиск по такой строке неудобно, поэтому загрузим из модуля `bs4` функцию `BeautifulSoup()`, которая позволит преобразовать эту строку в объект, который позволяет выполнять поиск по тегам."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [],
   "source": [
    "from bs4 import BeautifulSoup\n",
    "soup = BeautifulSoup(page.text)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Если код выше выдает ошибку (зависит от версии `bs4`), можно указать парсер, который необходимо использовать, явно:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [],
   "source": [
    "soup = BeautifulSoup(page.text, 'lxml')  #lxml"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Чтобы сгрузить все новости с главной страницы сайта, нужно собрать все ссылки на страницы с этими новостями. Ссылки в html-файле всегда заключены в тэг `<a></a>` и имеют атрибут `href`. Посмотрим на кусочки кода, соответствующие всем ссылкам на главной странице сайта:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "#\n",
      "/\n",
      "#\n",
      "#\n",
      "/rubric/astronomy\n",
      "/rubric/physics\n",
      "/rubric/biology\n",
      "/rubric/robots-drones\n",
      "/theme/explainatorium\n",
      "/theme/bookshelf\n",
      "/theme/Courses\n",
      "/theme/coronavirus-history\n",
      "/\n",
      "#\n",
      "/rubric/astronomy\n",
      "/rubric/physics\n",
      "/rubric/biology\n",
      "/rubric/robots-drones\n",
      "#\n",
      "/theme/explainatorium\n",
      "/theme/bookshelf\n",
      "/theme/Courses\n",
      "/theme/coronavirus-history\n",
      "https://nplus1.ru/blog/2020/04/17/how-music-works\n",
      "https://nplus1.ru/blog/2020/04/17/how-music-works\n",
      "https://nplus1.ru/blog/2020/04/17/nudity-censorship\n",
      "https://nplus1.ru/blog/2020/04/16/stories-of-surgery-for-broken-hearts\n",
      "https://nplus1.ru/material/2020/04/08/coronarumors\n",
      "https://nplus1.ru/blog/2020/04/13/ancient-greece-from-prehistoric-to-hellenistic-tim\n",
      "https://nplus1.ru/blog/2020/04/10/guestmixIvanZoloto\n",
      "https://nplus1.ru/blog/2020/04/10/the-nature-and-necessity-of-bees\n",
      "https://nplus1.ru/blog/2020/04/07/troubled-oculudentavis\n",
      "https://nplus1.ru/blog/2020/04/06/maps-of-meaning\n",
      "https://nplus1.ru/material/2020/04/08/coronarumors\n",
      "/news/2020/04/27/venus-atmosphere-tidal-waves\n",
      "/news/2020/04/27/zumwalt\n",
      "/news/2020/04/27/starship-pressure-passed\n",
      "/news/2020/04/27/e-fan-x\n",
      "/news/2020/04/25/hyperphagia-neurons\n",
      "/news/2020/04/25/dna-pocket\n",
      "/news/2020/04/25/moon-landing-spray\n",
      "/material/2020/04/25/on-montreal\n",
      "/rubric/ecology\n",
      "/news/2020/04/25/thermogalvanic-hydrogel-cooling\n",
      "/news/2020/04/24/30-years-hubble\n",
      "/news/2020/04/24/feline-grimace-scale\n",
      "/news/2020/04/24/supermassive-black-hole-escape-star\n",
      "/news/2020/04/24/adobe\n",
      "/news/2020/04/24/broken-hearts\n",
      "/blog/2020/04/24/kronhaus2\n",
      "/blog/2020/04/15/women-health-animation\n",
      "/news/2020/04/24/00s-taxi\n",
      "/rubric/partners\n",
      "/material/2020/04/23/every-you-every-me\n",
      "/rubric/psychology\n",
      "/news/2020/04/24/cold-sweet\n",
      "/news/2020/04/24/avian\n",
      "/news/2020/04/24/kentaurs-interstellar\n",
      "/news/2020/04/24/ocean-macroplastic-finding\n",
      "/news/2020/04/24/smartwatch\n",
      "/news/2020/04/24/antarctic-calyptocephalella\n",
      "/blog/2020/04/24/to-stop-an-epidemic\n",
      "/blog/2020/04/23/atlas\n",
      "/material/2020/04/22/antique-masks\n",
      "/rubric/history\n",
      "/theme/abc-archeology\n",
      "/material/2020/04/21/kn-surfaces\n",
      "/rubric/biology\n",
      "/theme/bellezza\n",
      "/news/2020/04/23/underwater-quantum-communication\n",
      "/news/2020/04/21/self-adapt-PVDF\n",
      "/news/2020/04/27/venus-atmosphere-tidal-waves\n",
      "/material/2020/04/22/coffee-aroma\n",
      "/news/2020/04/25/thermogalvanic-hydrogel-cooling\n",
      "/news/2020/04/25/hyperphagia-neurons\n",
      "/news/2020/04/22/carbon-nanothread-bundle\n",
      "/news/2020/04/21/model-based-learning\n",
      "/news/2020/04/23/gw-190412-ligo\n",
      "/news/2020/04/21/digital-embryo\n",
      "https://nplus1.ru/blog/2020/04/17/how-music-works\n",
      "https://nplus1.ru/blog/2020/04/17/how-music-works\n",
      "https://nplus1.ru/blog/2020/04/17/nudity-censorship\n",
      "https://nplus1.ru/blog/2020/04/16/stories-of-surgery-for-broken-hearts\n",
      "https://nplus1.ru/material/2020/04/08/coronarumors\n",
      "https://nplus1.ru/blog/2020/04/13/ancient-greece-from-prehistoric-to-hellenistic-tim\n",
      "https://nplus1.ru/blog/2020/04/10/guestmixIvanZoloto\n",
      "https://nplus1.ru/blog/2020/04/10/the-nature-and-necessity-of-bees\n",
      "https://nplus1.ru/blog/2020/04/07/troubled-oculudentavis\n",
      "https://nplus1.ru/blog/2020/04/06/maps-of-meaning\n",
      "https://nplus1.ru/material/2020/04/08/coronarumors\n",
      "/\n",
      "/about\n",
      "/adv\n",
      "/rules\n",
      "/vacancy\n",
      "/difficult\n",
      "https://nplus1.ru/personal-data-policy\n",
      "#\n",
      "https://t.me/nplusone\n",
      "http://vk.com/nplusone\n",
      "https://www.facebook.com/nplusone\n",
      "https://twitter.com/nplusodin\n",
      "https://ok.ru/nplus1\n",
      "https://soundcloud.com/nplus_1\n",
      "/rss\n"
     ]
    }
   ],
   "source": [
    "for link in soup.find_all('a'):\n",
    "    print(link.get('href'))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "В коде выше мы использовали метод `find_all()`, который выполняет поиск по заданному тэгу и возвращает список частей кода HTML с выбранным тэгом. Каждый элемент возвращаемого списка имеет тип `BeautifulSoup` и структуру, очень похожую на словарь. Например, ссылка `<a href=\"/rubric/robots-drones\" class=\"\">` изнутри выглядит как словарь следующего вида:\n",
    "\n",
    "        {'href' : '/rubric/robots-drones', \n",
    "         'class' : ''}.\n",
    "         \n",
    "Как мы помним, значение по ключу из словаря можно вызвать с помощью метода `.get()`. Именно его мы и использовали в коде выше, чтобы извлечь содержимое `href`. \n",
    "\n",
    "Ссылок в списке выше много. Но нам нужны только новости – ссылки, которые начинаются со слова `/news`. Добавим условие: будем выбирать только те ссылки, в которых есть `/news`. Создадим пустой список `urls` и будем добавлять в него только ссылки, которые удовлетворяют этому условию."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "['/news/2020/04/27/venus-atmosphere-tidal-waves',\n",
       " '/news/2020/04/27/zumwalt',\n",
       " '/news/2020/04/27/starship-pressure-passed',\n",
       " '/news/2020/04/27/e-fan-x',\n",
       " '/news/2020/04/25/hyperphagia-neurons',\n",
       " '/news/2020/04/25/dna-pocket',\n",
       " '/news/2020/04/25/moon-landing-spray',\n",
       " '/news/2020/04/25/thermogalvanic-hydrogel-cooling',\n",
       " '/news/2020/04/24/30-years-hubble',\n",
       " '/news/2020/04/24/feline-grimace-scale',\n",
       " '/news/2020/04/24/supermassive-black-hole-escape-star',\n",
       " '/news/2020/04/24/adobe',\n",
       " '/news/2020/04/24/broken-hearts',\n",
       " '/news/2020/04/24/00s-taxi',\n",
       " '/news/2020/04/24/cold-sweet',\n",
       " '/news/2020/04/24/avian',\n",
       " '/news/2020/04/24/kentaurs-interstellar',\n",
       " '/news/2020/04/24/ocean-macroplastic-finding',\n",
       " '/news/2020/04/24/smartwatch',\n",
       " '/news/2020/04/24/antarctic-calyptocephalella',\n",
       " '/news/2020/04/23/underwater-quantum-communication',\n",
       " '/news/2020/04/21/self-adapt-PVDF',\n",
       " '/news/2020/04/27/venus-atmosphere-tidal-waves',\n",
       " '/news/2020/04/25/thermogalvanic-hydrogel-cooling',\n",
       " '/news/2020/04/25/hyperphagia-neurons',\n",
       " '/news/2020/04/22/carbon-nanothread-bundle',\n",
       " '/news/2020/04/21/model-based-learning',\n",
       " '/news/2020/04/23/gw-190412-ligo',\n",
       " '/news/2020/04/21/digital-embryo']"
      ]
     },
     "execution_count": 7,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "urls = []\n",
    "for link in soup.find_all('a'):\n",
    "    if '/news' in link.get('href'):\n",
    "        urls.append(link.get('href'))\n",
    "urls"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Ссылки, которые у нас есть в списке `urls`, относительные: они неполные, начало ссылки, в данном случае название сайта, отсутствует. Давайте превратим их в абсолютные ‒ склеим с ссылкой https://nplus1.ru."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "['https://nplus1.ru/news/2020/04/27/venus-atmosphere-tidal-waves',\n",
       " 'https://nplus1.ru/news/2020/04/27/zumwalt',\n",
       " 'https://nplus1.ru/news/2020/04/27/starship-pressure-passed',\n",
       " 'https://nplus1.ru/news/2020/04/27/e-fan-x',\n",
       " 'https://nplus1.ru/news/2020/04/25/hyperphagia-neurons',\n",
       " 'https://nplus1.ru/news/2020/04/25/dna-pocket',\n",
       " 'https://nplus1.ru/news/2020/04/25/moon-landing-spray',\n",
       " 'https://nplus1.ru/news/2020/04/25/thermogalvanic-hydrogel-cooling',\n",
       " 'https://nplus1.ru/news/2020/04/24/30-years-hubble',\n",
       " 'https://nplus1.ru/news/2020/04/24/feline-grimace-scale',\n",
       " 'https://nplus1.ru/news/2020/04/24/supermassive-black-hole-escape-star',\n",
       " 'https://nplus1.ru/news/2020/04/24/adobe',\n",
       " 'https://nplus1.ru/news/2020/04/24/broken-hearts',\n",
       " 'https://nplus1.ru/news/2020/04/24/00s-taxi',\n",
       " 'https://nplus1.ru/news/2020/04/24/cold-sweet',\n",
       " 'https://nplus1.ru/news/2020/04/24/avian',\n",
       " 'https://nplus1.ru/news/2020/04/24/kentaurs-interstellar',\n",
       " 'https://nplus1.ru/news/2020/04/24/ocean-macroplastic-finding',\n",
       " 'https://nplus1.ru/news/2020/04/24/smartwatch',\n",
       " 'https://nplus1.ru/news/2020/04/24/antarctic-calyptocephalella',\n",
       " 'https://nplus1.ru/news/2020/04/23/underwater-quantum-communication',\n",
       " 'https://nplus1.ru/news/2020/04/21/self-adapt-PVDF',\n",
       " 'https://nplus1.ru/news/2020/04/27/venus-atmosphere-tidal-waves',\n",
       " 'https://nplus1.ru/news/2020/04/25/thermogalvanic-hydrogel-cooling',\n",
       " 'https://nplus1.ru/news/2020/04/25/hyperphagia-neurons',\n",
       " 'https://nplus1.ru/news/2020/04/22/carbon-nanothread-bundle',\n",
       " 'https://nplus1.ru/news/2020/04/21/model-based-learning',\n",
       " 'https://nplus1.ru/news/2020/04/23/gw-190412-ligo',\n",
       " 'https://nplus1.ru/news/2020/04/21/digital-embryo']"
      ]
     },
     "execution_count": 8,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "full_urls = ['https://nplus1.ru' + u for u in urls]\n",
    "full_urls"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Теперь наша задача сводится к следующему: изучить одну страницу с новостью, научиться из нее вытаскивать текст и всю необходимую информацию, а потом применить весь набор действий к каждой ссылке из `full_urls` в цикле. Посмотрим на новость с индексом 0, у вас может быть другая, новости обновляются."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "https://nplus1.ru/news/2020/04/27/venus-atmosphere-tidal-waves\n"
     ]
    }
   ],
   "source": [
    "url0 = full_urls[0]\n",
    "print(url0)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {},
   "outputs": [],
   "source": [
    "page0 = requests.get(url0)\n",
    "soup0 = BeautifulSoup(page0.text)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "В коде каждой страницы с новостью есть часть с мета-информацией: датой, именем автора и проч. Такая информация окружена тэгом `<meta></meta>`. Посмотрим:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[<meta charset=\"utf-8\"/>,\n",
       " <meta content=\"ie=edge\" http-equiv=\"x-ua-compatible\"/>,\n",
       " <meta content=\"width=device-width, initial-scale=1\" name=\"viewport\"/>,\n",
       " <meta content=\"yes\" name=\"apple-mobile-web-app-capable\"/>,\n",
       " <meta content=\"black\" name=\"apple-mobile-web-app-status-bar-style\"/>,\n",
       " <meta content=\"2020-04-27\" itemprop=\"datePublished\"/>,\n",
       " <meta content=\"Кристина Уласович\" name=\"mediator_author\"/>,\n",
       " <meta content=\"Японские планетологи выяснили, что необычно быстрое вращение атмосферы Венеры поддерживается благодаря тепловым приливам, волнам Россби и турбулентности\" name=\"description\"/>,\n",
       " <meta content=\"Кристина Уласович\" name=\"author\"/>,\n",
       " <meta content=\"\" name=\"copyright\"/>,\n",
       " <meta content=\"Суперротацию атмосферы Венеры объяснили тепловыми приливами\" property=\"og:title\"/>,\n",
       " <meta content=\"https://nplus1.ru/images/2020/04/27/d7e9e0accb014ce8a17f20391ee1e50a.jpg\" property=\"og:image\"/>,\n",
       " <meta content=\"https://nplus1.ru/news/2020/04/27/venus-atmosphere-tidal-waves\" property=\"og:url\"/>,\n",
       " <meta content=\"Японские планетологи выяснили, что необычно быстрое вращение атмосферы Венеры поддерживается благодаря тепловым приливам, волнам Россби и турбулентности\" property=\"og:description\"/>,\n",
       " <meta content=\"summary_large_image\" name=\"twitter:card\"/>,\n",
       " <meta content=\"@nplusodin\" name=\"twitter:site\"/>,\n",
       " <meta content=\"Суперротацию атмосферы Венеры объяснили тепловыми приливами\" name=\"twitter:title\"/>,\n",
       " <meta content=\"Японские планетологи выяснили, что необычно быстрое вращение атмосферы Венеры поддерживается благодаря тепловым приливам, волнам Россби и турбулентности\" name=\"twitter:description\"/>,\n",
       " <meta content=\"https://nplus1.ru/images/2020/04/27/d7e9e0accb014ce8a17f20391ee1e50a.jpg\" name=\"twitter:image\"/>,\n",
       " <meta content=\"8c90b02c84ac3b72\" name=\"yandex-verification\"/>]"
      ]
     },
     "execution_count": 11,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('meta')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Из этого списка нам нужны части с именем автора, датой, заголовком и кратким описанием. Воспользуемся поиском по атрибуту `name`. Передадим функции `find_all()` в качестве аргумента словарь с названием и значением атрибута:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[<meta content=\"Кристина Уласович\" name=\"author\"/>]"
      ]
     },
     "execution_count": 12,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('meta', {'name' : 'author'})"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Теперь выберем единственный элемент полученного списка (с индексом 0):"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 13,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "<meta content=\"Кристина Уласович\" name=\"author\"/>"
      ]
     },
     "execution_count": 13,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('meta', {'name' : 'author'})[0]"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Объект выше имеет структуру как у словаря, поэтому мы можем вызвать значение `content` через метод `.get()`:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "'Кристина Уласович'"
      ]
     },
     "execution_count": 14,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('meta', {'name' : 'author'})[0].get('content')  "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Или вовсе без него, указав название ключа в квадратных скобках:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 15,
   "metadata": {},
   "outputs": [],
   "source": [
    "author = soup0.find_all('meta', {'name' : 'author'})[0]['content']"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Изучим внимательно исходный код страницы новости и аналогичным образом найдем заголовок новости, описание и дату публикации:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 16,
   "metadata": {},
   "outputs": [],
   "source": [
    "title = soup0.find_all('meta', \n",
    "                       {'property' : 'og:title'})[0]['content']\n",
    "description = soup0.find_all('meta', \n",
    "                             {'property' : 'og:description'})[0]['content']\n",
    "date = soup0.find_all('meta', \n",
    "                      {'itemprop' : 'datePublished'})[0]['content']"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Осталось вытащить сложность текста и рубрики. Сложность находится в тэге `span` с классом `difficult-value`:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 17,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "<span class=\"difficult-value\">5.7</span>"
      ]
     },
     "execution_count": 17,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('span', {'class' : 'difficult-value'})[0]"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Извлечем текст, который находится внутри тэгов, с помощью атрибута `.text`:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 18,
   "metadata": {},
   "outputs": [],
   "source": [
    "difficult = soup0.find_all('span', \n",
    "                           {'class' : 'difficult-value'})[0].text"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "С рубриками интереснее. Рубрики находятся в тэгах `p` с классом `table`:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 19,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "<p class=\"table\">\n",
       "<a data-rubric=\"astronomy\" href=\"/rubric/astronomy\">Астрономия</a>\n",
       "</p>"
      ]
     },
     "execution_count": 19,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('p', {'class' : 'table'})[0]"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "В этом отрывке кода есть ссылки на рубрики. «Выцепим» все ссылки по тэгу `a`:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 20,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[<a data-rubric=\"astronomy\" href=\"/rubric/astronomy\">Астрономия</a>]"
      ]
     },
     "execution_count": 20,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "raw_rubrics = soup0.find_all('p', \n",
    "                             {'class' : 'table'})[0].find_all('a')\n",
    "raw_rubrics"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "А теперь извлечем из каждого кусочка кода для ссылки текст:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 21,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "['Астрономия']"
      ]
     },
     "execution_count": 21,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "rubrics = []\n",
    "for r in raw_rubrics:\n",
    "    rubrics.append(r.text)\n",
    "rubrics"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Перейдем к самому главному – тексту новости. Как можно заметить, текст сохранен в абзацах `<p></p>`, причем безо всяких атрибутов. Сообщим Python, что нас интересуют куски с пустым атрибутом `class`:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 22,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "[<p>Японские планетологи выяснили, что необычно быстрое вращение атмосферы Венеры поддерживается благодаря тепловым приливам, волнам Россби и турбулентности. К такому выводу они пришли на основе снимков облачного слоя, сделанных с помощью межпланетного зонда «Акацуки». Статья <a href=\"https://science.sciencemag.org/cgi/doi/10.1126/science.aaz4439\" rel=\"nofollow\" target=\"_blank\">опубликована</a> в журнале <i>Science</i>.<br/></p>,\n",
       " <p>Еще в середине прошлого века астрономы заметили, что верхние слои плотного облачного покрова Венеры движутся намного быстрее ее поверхности. В то время как период вращения планеты составляет 243 земных дня, ее атмосфере на полный оборот требуется всего 92 часа — этот феномен назвали суперротацией. Для поддержания суперротации необходимо непрерывное перераспределение углового момента, которое позволило бы преодолеть трение с поверхностью планеты, однако механизмы, лежащие в основе этого процесса, до сих пор оставались неизвестны. </p>,\n",
       " <p>Такеши Хоринучи (Takeshi Horinouchi) из Университета Хоккайдо вместе с коллегами изучили снимки, сделанные аппаратом <a href=\"https://ru.wikipedia.org/wiki/Акацуки_(космический_аппарат)\" rel=\"nofollow\" target=\"_blank\" title=\"Link: https://ru.wikipedia.org/wiki/Акацуки_(космический_аппарат)\">«Акацуки»</a> японского аэрокосмического агентства JAXA. Используя данные наблюдений в ультрафиолетовом и инфракрасном диапазонах с 2015 по 2018 год, исследователи отследили движение облаков и определили скорость движения ветров на разных широтах, а затем построили глобальную модель переноса углового момента в атмосфере.</p>,\n",
       " <p>Анализ показал, что угловой момент возникает и поддерживается за счет тепловых приливов, которые представляют собой изменения атмосферного давления, вызванные солнечным нагревом вблизи экватора планеты. Им в противовес действуют волны планетарного масштаба (также известные как <a href=\"https://ru.wikipedia.org/wiki/Волны_Россби\" rel=\"nofollow\" target=\"_blank\">волны Россби</a>) и крупномасштабная атмосферная турбулентность.</p>,\n",
       " <p></p>,\n",
       " <p>При этом эксперты <a href=\"https://cosmosmagazine.com/space/super-rotation-and-venus-atmosphere\" rel=\"nofollow\" target=\"_blank\" title=\"Link: https://cosmosmagazine.com/space/super-rotation-and-venus-atmosphere\">отмечают</a>, что вопрос о том, отражает ли построенная японскими планетологами модель полную картину, остается открытым, так как исследователи проанализировали лишь один слой газовой оболочки Венеры. По их мнению, существует вероятность, что активность и сила влияния атмосферных волн может отличаться на других уровнях облачного покрова планеты. </p>,\n",
       " <p>Ранее исследователи <a href=\"https://nplus1.ru/news/2016/07/19/venus-surface-influence\" target=\"_blank\" title=\"Link: https://nplus1.ru/news/2016/07/19/venus-surface-influence\">выяснили</a>, что на поведение атмосферы Венеры может также влиять и форма ее поверхности. По их мнению, под плотным слоем облаков планеты могут скрываться горы, на которые наталкиваются воздушные потоки, в результате чего формируются волны тяготения. </p>,\n",
       " <p><i>Кристина Уласович</i></p>,\n",
       " <p>Нашли опечатку? Выделите фрагмент и нажмите Ctrl+Enter.</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>Коэффициент сложности</p>,\n",
       " <p>© 2020 N+1 Интернет-издание   Свидетельство о регистрации СМИ Эл № ФС77-67614</p>,\n",
       " <p>Использование всех текстовых материалов без изменений в некоммерческих целях разрешается со ссылкой на N+1. \n",
       "                         Все аудиовизуальные произведения являются собственностью своих авторов и правообладателей и используются \n",
       "                         только в образовательных и информационных целях. Если вы являетесь собственником того или иного произведения \n",
       "                         и не согласны с его размещением на нашем сайте, пожалуйста, напишите на kirill@nplus1.ru</p>,\n",
       " <p>Материалы, опубликованные в разделе «Блоги», отражают позиции их авторов, которые могут не совпадать с мнением редакции.</p>,\n",
       " <p>Сайт может содержать контент, не предназначенный для лиц младше 18 лет.</p>,\n",
       " <p>\n",
       " <a class=\"pd\" href=\"https://nplus1.ru/personal-data-policy\">Политика обработки персональных данных пользователей сайта</a>\n",
       " </p>,\n",
       " <p>\n",
       " <script async=\"\" src=\"//s.luxupcdnc.com/t/consent_195458.js\" type=\"text/javascript\"></script>\n",
       " <a href=\"#\" onclick=\"if(window.__lxG__consent__ !== undefined) {window.__lxG__consent__.showConsent()} else {alert('This function works only for users from the European Economic Area (EEA).')}; return false\">Change privacy settings</a>\n",
       " </p>,\n",
       " <p>\n",
       " </p>]"
      ]
     },
     "execution_count": 22,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "soup0.find_all('p', {'class' : None})"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "«Выцепим» все тексты (без тэгов) из полученного списка и склеим все элементы списка `text` через пробел:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 23,
   "metadata": {},
   "outputs": [],
   "source": [
    "pars = []\n",
    "for p in soup0.find_all('p', {'class' : None}):\n",
    "    pars.append(p.text)\n",
    "text = \" \".join(pars)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Избавимся от лишнего текста после фразы *Нашли опечатку?* и заменим лишние символы на обычные пробелы:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 24,
   "metadata": {},
   "outputs": [],
   "source": [
    "text_final = text.split(\"Нашли опечатку?\")[0].replace('\\xa0', \n",
    "                                                      ' ').replace('\\n', ' ')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 25,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Японские планетологи выяснили, что необычно быстрое вращение атмосферы Венеры поддерживается благодаря тепловым приливам, волнам Россби и турбулентности. К такому выводу они пришли на основе снимков облачного слоя, сделанных с помощью межпланетного зонда «Акацуки». Статья опубликована в журнале Science. Еще в середине прошлого века астрономы заметили, что верхние слои плотного облачного покрова Венеры движутся намного быстрее ее поверхности. В то время как период вращения планеты составляет 243 земных дня, ее атмосфере на полный оборот требуется всего 92 часа — этот феномен назвали суперротацией. Для поддержания суперротации необходимо непрерывное перераспределение углового момента, которое позволило бы преодолеть трение с поверхностью планеты, однако механизмы, лежащие в основе этого процесса, до сих пор оставались неизвестны.  Такеши Хоринучи (Takeshi Horinouchi) из Университета Хоккайдо вместе с коллегами изучили снимки, сделанные аппаратом «Акацуки» японского аэрокосмического агентства JAXA. Используя данные наблюдений в ультрафиолетовом и инфракрасном диапазонах с 2015 по 2018 год, исследователи отследили движение облаков и определили скорость движения ветров на разных широтах, а затем построили глобальную модель переноса углового момента в атмосфере. Анализ показал, что угловой момент возникает и поддерживается за счет тепловых приливов, которые представляют собой изменения атмосферного давления, вызванные солнечным нагревом вблизи экватора планеты. Им в противовес действуют волны планетарного масштаба (также известные как волны Россби) и крупномасштабная атмосферная турбулентность.  При этом эксперты отмечают, что вопрос о том, отражает ли построенная японскими планетологами модель полную картину, остается открытым, так как исследователи проанализировали лишь один слой газовой оболочки Венеры. По их мнению, существует вероятность, что активность и сила влияния атмосферных волн может отличаться на других уровнях облачного покрова планеты.  Ранее исследователи выяснили, что на поведение атмосферы Венеры может также влиять и форма ее поверхности. По их мнению, под плотным слоем облаков планеты могут скрываться горы, на которые наталкиваются воздушные потоки, в результате чего формируются волны тяготения.  Кристина Уласович \n"
     ]
    }
   ],
   "source": [
    "print(text_final)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Теперь все красиво. Перейдем к семинару – напишем функцию для выгрузки информации по одной новости и применим ее к новостям на главной странице."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 21,
   "metadata": {},
   "outputs": [],
   "source": [
    "def get_info(url0):\n",
    "    page0 = requests.get(url0)\n",
    "    soup0 = BeautifulSoup(page0.text, 'lxml')\n",
    "    author = soup0.find_all('meta', {'name' : 'author'})[0]['content']\n",
    "    title = soup0.find_all('meta', {'property' : 'og:title'})[0]['content']\n",
    "    description = soup0.find_all('meta', \n",
    "                             {'property' : 'og:description'})[0]['content']\n",
    "    date = soup0.find_all('meta', \n",
    "                      {'itemprop' : 'datePublished'})[0]['content']\n",
    "    difficult = soup0.find_all('span', \n",
    "                           {'class' : 'difficult-value'})[0].text\n",
    "    raw_rubrics = soup0.find_all('p', \n",
    "                             {'class' : 'table'})[0].find_all('a')\n",
    "    rubrics = []\n",
    "    for r in raw_rubrics:\n",
    "        rubrics.append(r.text)\n",
    "        \n",
    "    pars = []\n",
    "    for p in soup0.find_all('p', {'class' : None}):\n",
    "        pars.append(p.text)\n",
    "    text = \" \".join(pars)\n",
    "    \n",
    "    text_final = text.split(\"Нашли опечатку?\")[0].replace('\\xa0', \n",
    "                                                      ' ').replace('\\n', ' ')\n",
    "    return [author, title, description, date, difficult, \n",
    "           rubrics, text_final] "
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.4"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}