-
Notifications
You must be signed in to change notification settings - Fork 45
/
04a_webscraping_TP.qmd
1453 lines (1143 loc) · 45.9 KB
/
04a_webscraping_TP.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Web scraping avec Python"
date: 2020-09-08T13:00:00Z
draft: false
weight: 60
slug: webscraping
tags:
- Webscraping
- BeautifulSoup
- Exercice
- Manipulation
categories:
- Exercice
- Manipulation
type: book
description: |
`Python` permet de facilement récupérer une page web pour en extraire des
données à restructurer. Le _web scraping_, que les Canadiens nomment
_"moissonnage du web"_, est une manière de plus en plus utilisée de
récupérer une grande masse d'information en temps réel.
Ce chapitre présente les deux principaux paradigmes par le biais
de `BeautifulSoup` et `Selenium` et les
principaux défis du _web scraping_.
image: bulbasaur.jpg
echo: false
---
::: {.content-visible when-format="html"}
{{< include "../../build/_printBadges.qmd" >}}
:::
Le [_web scraping_](https://fr.wikipedia.org/wiki/Web_scraping) désigne les techniques d'extraction du contenu des sites internet.
C'est une pratique très utile pour toute personne souhaitant travailler sur des informations disponibles en ligne, mais n'existant pas forcément sous la forme d'un tableau *Excel*.
Ce TP vous présente comment créer et exécuter des robots afin de recupérer rapidement des informations utiles à vos projets actuels ou futurs.
Il part de quelques cas d'usages concret.
Ce chapitre est très fortement inspiré et réadapté à partir de [celui de Xavier Dupré](http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/TD2A_Eco_Web_Scraping.html), l'ancien professeur de la matière.
## Enjeux
Un certain nombre d'enjeux du _web scraping_ ne seront évoqués
que superficiellement dans le cadre de ce chapitre.
### La zone grise de la légalité du _web scraping_
En premier lieu, en ce qui concerne la question de la légalité
de la récupération d'information par _scraping_, il existe
une zone grise. Ce n'est pas parce qu'une information est
disponible sur internet, directement ou avec un peu de recherche,
qu'elle peut être récupérée et réutilisée.
L'excellent [cours d'Antoine Palazzolo](https://inseefrlab.github.io/formation-webscraping/) évoque un certain nombre de cas
médiatiques et judiciaires sur cette question.
Dans le champ français, la CNIL a publié en 2020
de nouvelles directives sur le *web scraping* reprécisant
que toute donnée ne peut être réutilisée à l'insu de la personne
à laquelle ces données appartiennent. Autrement dit, en principe,
les données collectées par _web scraping_ sont soumises au
RGPD, c'est-à-dire nécessitent le consentement des personnes
à partir desquelles la réutilisation des données est faite.
Il est donc recommandé d'__être vigilant avec les données récupérées__
par _web scraping_ pour ne pas se mettre en faute légalement.
### Stabilité et fiabilité des informations reçues
La récupération de données par _web scraping_
est certes pratique mais elle ne correspond pas nécessairement
à un usage pensé, ou désiré, par un fournisseur de données.
Les données étant coûteuses à collecter et à mettre à disposition,
certains sites ne désirent pas nécessairement que celles-ci soient
extraites gratuitement et facilement. _A fortiori_ lorsque la donnée
peut permettre à un concurrent de disposer d'une information
utile d'un point de vue commercial (prix d'un produit concurrent, etc.).
Les acteurs mettent donc souvent en oeuvre des stratégies pour bloquer ou
limiter la quantité de données scrapées. La méthode la plus
classique est la détection et le blocage
des requêtes faites par des robots plutôt que par des humains.
Pour des acteurs spécialisés, cette détection est très facile car
de nombreuses preuves permettent d'identifier si une visite du site _web_
provient d'un utilisateur
humain derrière un navigateur ou d'un robot. Pour ne citer que quelques indices :
vitesse de la navigation entre pages, rapidité à extraire la donnée,
empreinte digitale du navigateur utilisé, capacité à répondre à des
questions aléatoires (captcha)...
Les bonnes pratiques, évoquées par la suite, ont pour objectif de faire
en sorte qu'un robot se comporte de manière civile en adoptant un comportement
proche de celui de l'humain mais sans contrefaire le fait qu'il ne s'agit
pas d'un humain.
Il convient d'ailleurs
d'être prudent quant aux informations reçues par _web scraping_.
La donnée étant au coeur du modèle économique de certains acteurs, certains
n'hésitent pas à renvoyer des données fausses aux robots
plutôt que les bloquer. C'est de bonne guerre !
Une autre technique piège s'appelle le _honey pot_. Il s'agit de pages qu'un humain
n'irait jamais visiter - par exemple parce qu'elles n'apparaissent pas dans
l'interface graphique - mais sur lesquelles un robot, en recherche automatique
de contenu, va rester bloquer.
Sans aller jusqu'à la stratégie de blocage du _web scraping_, d'autres raisons
peuvent expliquer qu'une récupération de données ait fonctionné par
le passé mais ne fonctionne plus. La plus fréquente est un changement dans la structure
d'un site _web_. Le _web scraping_ présente en effet l'inconvénient d'aller chercher
de l'information dans une structure très hiérarchisée. Un changement dans cette structure
peut suffire à rendre un robot incapable de récupérer du contenu. Or, pour rester
attractifs, les sites _web_ changent fréquemment ce qui peut facilement
rendre inopérant un robot.
De manière générale, l'un des principaux messages de ce
chapitre, à retenir, est que le
__web scraping est une solution de dernier ressort, pour des récupérations ponctuelles de données sans garantie de fonctionnement ultérieur__. Il est préférable de __privilégier les API lorsque celles-ci sont disponibles__.
Ces dernières ressemblent à un contrat (formel ou non) entre un fournisseur de données
et un utilisateur où sont définis des besoins (les données) mais aussi des
conditions d'accès (nombre de requêtes, volumétrie, authentification...) là
où le _web scraping_ est plus proche du comportement dans le _Far West_.
### Les bonnes pratiques
La possibilité de récupérer des données par l'intermédiaire
d'un robot ne signifie pas qu'on peut se permettre de ne pas être
civilisé. En effet, lorsqu'il est non-maîtrisé, le
_web scraping_ peut ressembler à une attaque informatique
classique pour faire sauter un site _web_ : le déni de service.
Le [cours d'Antoine Palazzolo](https://inseefrlab.github.io/formation-webscraping/) revient
sur certaines bonnes pratiques qui ont émergé dans la communauté
des _scrapeurs_. Il est recommandé de lire cette ressource
pour en apprendre plus sur ce sujet. Y sont évoquées
plusieurs conventions, parmi lesquelles :
- Se rendre, depuis la racine du site,
sur le fichier `robots.txt` pour vérifier les consignes
proposées par les développeurs du site _web_ pour
cadrer le comportement des robots ;
- Espacer chaque requêtes de plusieurs secondes, comme le ferait
un humain, afin d'éviter de surcharger le site _web_ et de le
faire sauter par déni de service ;
- Faire les requêtes dans les heures creuses de fréquentation du
site _web_ s'il ne s'agit pas d'un site consulté internationalement.
Par exemple, pour un site en français, lancer le robot
pendant la nuit en France métropolitaine, est une bonne pratique.
Pour lancer un robot depuis `Python` à une heure programmée
à l'avance, il existe les `cronjobs`.
## Un détour par le Web : comment fonctionne un site ?
Même si ce TP ne vise pas à faire un cours de web, il vous faut néanmoins certaines bases sur la manière dont un site internet fonctionne afin de comprendre comment sont structurées les informations sur une page.
Un site Web est un ensemble de pages codées en *HTML* qui permet de décrire à la fois le contenu et la forme d'une page *Web*.
Pour voir cela, ouvrez n'importe quelle page web et faites un clic-droit dessus.
- Sous `Chrome` <i class="fab fa-chrome"></i> : Cliquez ensuite sur _"Affichez le code source de la page"_ (<kbd>CTRL</kbd>+<kbd>U</kbd>) ;
- Sous `Firefox` <i class="fab fa-firefox"></i> : _"Code source de la page"_ (<kbd>CTRL</kbd>+<kbd>MAJ</kbd>+<kbd>K</kbd>) ;
- Sous `Edge` <i class="fab fa-edge"></i> : _"Affichez la page source"_ (<kbd>CTRL</kbd>+<kbd>U</kbd>) ;
- Sous `Safari` <i class="fab fa-safari"></i> : voir comment faire [ici](https://fr.wikihow.com/voir-le-code-source)
Si vous savez quel élément vous intéresse, vous pouvez également ouvrir l'inspecteur du navigateur (clic droit sur l'élément + "Inspecter"),
pour afficher les balises encadrant votre élément de façon plus ergonomique, un peu comme un zoom.
### Les balises
Sur une page web, vous trouverez toujours à coup sûr des éléments comme `<head>`, `<title>`, etc. Il s'agit des codes qui vous permettent de structurer le contenu d'une page *HTML* et qui s'appellent des **balises**.
Citons, par exemple, les balises `<p>`, `<h1>`, `<h2>`, `<h3>`, `<strong>` ou `<em>`.
Le symbole ``< >`` est une balise : il sert à indiquer le début d'une partie. Le symbole `</ >` indique la fin de cette partie. La plupart des balises vont par paires, avec une *balise ouvrante* et une *balise fermante* (par exemple `<p>` et `</p>`).
Par exemple, les principales balises
définissant la structure d'un tableau sont les suivantes :
| Balise | Description |
|-------------|------------------------------------|
| `<table>` | Tableau |
| `<caption>` | Titre du tableau |
| `<tr>` | Ligne de tableau |
| `<th>` | Cellule d'en-tête |
| `<td>` | Cellule |
| `<thead>` | Section de l'en-tête du tableau |
| `<tbody>` | Section du corps du tableau |
| `<tfoot>` | Section du pied du tableau |
**Application : un tableau en HTML**
Le code `HTML` du tableau suivant :
```{html}
<table>
<caption> Le Titre de mon tableau </caption>
<tr>
<th>Prénom</th>
<th>Nom</th>
<th>Profession</th>
</tr>
<tr>
<td>Mike </td>
<td>Stuntman</td>
<td>Cascadeur</td>
</tr>
<tr>
<td>Mister</td>
<td>Pink</td>
<td>Gangster</td>
</tr>
</table>
```
Donnera dans le navigateur :
::: {.cell .markdown}
```{=html}
<table>
<caption> Le Titre de mon tableau </caption>
<tr>
<th>Prénom</th>
<th>Nom</th>
<th>Profession</th>
</tr>
<tr>
<td>Mike </td>
<td>Stuntman</td>
<td>Cascadeur</td>
</tr>
<tr>
<td>Mister</td>
<td>Pink</td>
<td>Gangster</td>
</tr>
</table>
```
:::
#### Parent et enfant
Dans le cadre du langage HTML, les termes de parent (*parent*) et enfant (*child*) servent à désigner des élements emboîtés les uns dans les autres. Dans la construction suivante, par exemple :
```html
<div>
<p>
bla,bla
</p>
</div>
```
Sur la page web, cela apparaitra de la manière suivante :
::: {.cell .markdown}
```{=html}
<div>
<p>
bla,bla
</p>
</div>
```
:::
On dira que l'élément `<div>` est le parent de l'élément `<p>` tandis que l'élément `<p>` est l'enfant de l'élément `<div>`.
> *Mais pourquoi apprendre ça pour "scraper" ?*
Parce que, pour bien récupérer les informations d'un site internet, il faut pouvoir comprendre sa structure et donc son code HTML. Les fonctions `Python` qui servent au _scraping_ sont principalement construites pour vous permettre de naviguer entre les balises.
Avec `Python`, vous allez en fait reproduire votre comportement manuel de recherche de manière
à l'automatiser.
## Scraper avec `Python`: le package `BeautifulSoup`
### Les packages disponibles
Dans la première partie de ce chapitre,
nous allons essentiellement utiliser le package [`BeautifulSoup4`](https://www.crummy.com/software/BeautifulSoup/bs4/doc/),
en conjonction avec [`urllib`](https://docs.python.org/3/library/urllib.html#module-urllib)
ou `requests`. Ces deux derniers _packages_ permettent de récupérer le texte
brut d'une page qui sera ensuite
inspecté via [`BeautifulSoup4`](https://www.crummy.com/software/BeautifulSoup/bs4/doc/).
`BeautifulSoup` sera suffisant quand vous voudrez travailler sur des pages HTML statiques. Dès que les informations que vous recherchez sont générées via l'exécution de scripts [Javascript](https://fr.wikipedia.org/wiki/JavaScript), il vous faudra passer par des outils comme [Selenium](https://selenium-python.readthedocs.io/).
De même, si vous ne connaissez pas l'URL, il faudra passer par un _framework_ comme [Scrapy](https://scrapy.org/), qui passe facilement d'une page à une autre. On appelle
cette technique le _"web crawling"_. `Scrapy` est plus complexe à manipuler que `BeautifulSoup` : si vous voulez plus de détails, rendez-vous sur la page du [tutoriel `Scrapy`](https://doc.scrapy.org/en/latest/intro/tutorial.html).
Le *web scraping* est un domaine où la reproductibilité est compliquée à mettre en oeuvre.
Une page *web* évolue
potentiellement régulièrement et d'une page web à l'autre, la structure peut
être très différente ce qui rend certains codes difficilement exportables.
Par conséquent, la meilleure manière d'avoir un programme fonctionnel est
de comprendre la structure d'une page web et dissocier les éléments exportables
à d'autres cas d'usages des requêtes *ad hoc*.
```{python}
#| echo: true
!pip install -q lxml
import bs4
import lxml
import pandas
import urllib
from urllib import request
```
::: {.cell .markdown}
```{=html}
<div class="alert alert-info" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-comment"></i> Note</h3>
```
Pour être en mesure d'utiliser `Selenium`, il est nécessaire
de faire communiquer `Python` avec un navigateur _web_ (Firefox ou Chromium).
Le _package_ `webdriver-manager` permet de faire savoir à `Python` où
se trouve ce navigateur s'il est déjà installé dans un chemin standard.
Pour l'installer, le code de la cellule ci-dessous peut être utilisé.
```{=html}
</div>
```
:::
Pour faire fonctionner `Selenium`, il faut utiliser un package
nommé `webdriver-manager`:
```{python}
#| echo: true
!pip install webdriver-manager
```
### Récupérer le contenu d'une page HTML
On va commencer doucement. Prenons une page _wikipedia_,
par exemple celle de la Ligue 1 de football, millésime 2019-2020 : [Championnat de France de football 2019-2020](https://fr.wikipedia.org/wiki/Championnat_de_France_de_football_2019-2020). On va souhaiter récupérer la liste des équipes, ainsi que les url des pages Wikipedia de ces équipes.
Etape 1️⃣ : se connecter à la page wikipedia et obtenir le code source.
Pour cela, le plus simple est d'utiliser le package `urllib` ou, mieux, `requests`.
Nous allons ici utiliser la fonction `request` du _package_ `urllib`:
```{python}
#| echo: true
url_ligue_1 = "https://fr.wikipedia.org/wiki/Championnat_de_France_de_football_2019-2020"
request_text = request.urlopen(url_ligue_1).read()
# print(request_text[:1000])
```
```{python}
#| echo: true
type(request_text)
```
Etape 2️⃣ : utiliser le package BeautifulSoup
qui permet de rechercher efficacement
les balises contenues dans la chaine de caractères
renvoyée par la fonction `request`:
```{python}
#| echo: true
page = bs4.BeautifulSoup(request_text, "lxml")
```
Si on _print_ l'objet `page` créée avec `BeautifulSoup`,
on voit que ce n'est plus une chaine de caractères mais bien une page HTML avec des balises.
On peut à présent chercher des élements à l'intérieur de ces balises.
### La méthode `find`
Par exemple, si on veut connaître le titre de la page, on utilise la méthode `.find` et on lui demande *"title"*
```{python}
#| echo: true
print(page.find("title"))
```
La methode `.find` ne renvoie que la première occurence de l'élément.
Pour vous en assurer vous pouvez :
- copier le bout de code source obtenu lorsque vous chercher une `table`,
- le coller dans une cellule de votre notebook
- et passer la cellule en _"Markdown"_
La cellule avec le copier-coller du code source donne :
```{python}
#| echo: true
print(page.find("table"))
```
ce qui est le texte source permettant de générer le tableau suivant :
::: {.cell .markdown}
```{python}
#| echo: false
#| output: asis
print(page.find("table"))
```
:::
### La méthode `findAll`
Pour trouver toutes les occurences, on utilise `.findAll()`.
```{python}
#| echo: true
print("Il y a", len(page.findAll("table")), "éléments dans la page qui sont des <table>")
```
## Exercice guidé : obtenir la liste des équipes de Ligue 1
Dans le premier paragraphe de la page _"Participants"_,
on a le tableau avec les résultats de l'année.
::: {.cell .markdown}
```{=html}
<div class="alert alert-success" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-pencil"></i> Exercice 1 : Récupérer les participants de la Ligue 1</h3>
```
Pour cela, nous allons procéder en 6 étapes:
1. Trouver le tableau
2. Récupérer chaque ligne du table
3. Nettoyer les sorties en ne gardant que le texte sur une ligne
4. Généraliser sur toutes les lignes
5. Récupérer les entêtes du tableau
6. Finalisation du tableau
```{=html}
</div>
```
:::
1️⃣ Trouver le tableau
```{python}
#| echo: true
# on identifie le tableau en question : c'est le premier qui a cette classe "wikitable sortable"
tableau_participants = page.find('table', {'class' : 'wikitable sortable'})
```
::: {.cell .markdown}
```{python}
#| echo: true
#| output: asis
print(tableau_participants)
```
:::
2️⃣ Récupérer chaque ligne du tableau
On recherche d'abord toutes les lignes du tableau avec la balise `tr`
```{python}
#| echo: true
table_body = tableau_participants.find('tbody')
rows = table_body.find_all('tr')
```
On obtient une liste où chaque élément est une des lignes du tableau
Pour illustrer cela, on va d'abord afficher la première ligne.
Celle-ci correspont aux entêtes de colonne:
```{python}
#| echo: true
print(rows[0])
```
La seconde ligne va correspondre à la ligne du premier club présent dans le tableau :
```{python}
#| echo: true
print(rows[1])
```
3️⃣ Nettoyer les sorties en ne gardant que le texte sur une ligne
On va utiliser l'attribut `text` afin de se débarasser de toute la couche de HTML qu'on obtient à l'étape 2.
Un exemple sur la ligne du premier club :
- on commence par prendre toutes les cellules de cette ligne, avec la balise `td`.
- on fait ensuite une boucle sur chacune des cellules et on ne garde que le texte de la cellule avec l'attribut `text`.
- enfin, on applique la méthode `strip()` pour que le texte soit bien mis en forme (sans espace inutile etc).
```{python}
#| echo: true
cols = rows[1].find_all('td')
print(cols[0])
print(cols[0].text.strip())
```
```{python}
#| echo: true
for ele in cols :
print(ele.text.strip())
```
4️⃣ Généraliser sur toutes les lignes :
```{python}
#| echo: true
for row in rows:
cols = row.find_all('td')
cols = [ele.text.strip() for ele in cols]
print(cols)
```
On a bien réussi à avoir les informations contenues dans le tableau des participants du championnat.
Mais la première ligne est étrange : c'est une liste vide ...
Il s'agit des en-têtes : elles sont reconnues par la balise `th` et non `td`.
On va mettre tout le contenu dans un dictionnaire, pour le transformer ensuite en DataFrame pandas :
```{python}
#| code-overflow: wrap
#| echo: true
dico_participants = dict()
for row in rows:
cols = row.find_all('td')
cols = [ele.text.strip() for ele in cols]
if len(cols) > 0 :
dico_participants[cols[0]] = cols[1:]
dico_participants
```
```{python}
#| echo: true
data_participants = pandas.DataFrame.from_dict(dico_participants,orient='index')
data_participants.head()
```
5️⃣ Récupérer les en-têtes du tableau :
```{python}
#| echo: true
for row in rows:
cols = row.find_all('th')
print(cols)
if len(cols) > 0 :
cols = [ele.get_text(separator=' ').strip().title() for ele in cols]
columns_participants = cols
```
```{python}
#| echo: true
columns_participants
```
6️⃣ Finalisation du tableau
```{python}
#| echo: true
data_participants.columns = columns_participants[1:]
```
```{python}
#| echo: true
data_participants.head()
```
## Pour aller plus loin
### Récupération des localisations des stades
Essayez de comprendre pas à pas ce qui est fait dans les étapes qui suivent (la récupération d'informations supplémentaires en naviguant dans les pages des différents clubs).
```{python}
#| echo: true
#| output: false
import urllib
import pandas as pd
import bs4
division=[]
equipe=[]
stade=[]
latitude_stade=[]
longitude_stade=[]
url_list=["http://fr.wikipedia.org/wiki/Championnat_de_France_de_football_2019-2020", "http://fr.wikipedia.org/wiki/Championnat_de_France_de_football_de_Ligue_2_2019-2020"]
for url_ligue in url_list :
print(url_ligue)
sock = urllib.request.urlopen(url_ligue).read()
page=bs4.BeautifulSoup(sock)
# Rechercher les liens des équipes dans la liste disponible sur wikipedia
for team in page.findAll('span' , {'class' : 'toponyme'}) :
# Indiquer si c'est de la ligue 1 ou de la ligue 2
if url_ligue==url_list[0] :
division.append("L1")
else :
division.append("L2")
# Trouver le nom et le lien de l'équipe
if team.find('a')!=None :
team_url=team.find('a').get('href')
name_team=team.find('a').get('title')
equipe.append(name_team)
url_get_info = "http://fr.wikipedia.org"+team_url
print(url_get_info)
# aller sur la page de l'équipe
search = urllib.request.urlopen(url_get_info).read()
search_team=bs4.BeautifulSoup(search)
# trouver le stade
compteur = 0
for stadium in search_team.findAll('tr'):
for x in stadium.findAll('th' , {'scope' : 'row'} ) :
if x.contents[0].string=="Stade" and compteur == 0:
compteur = 1
# trouver le lien du stade et son nom
url_stade=stadium.findAll('a')[1].get('href')
name_stadium=stadium.findAll('a')[1].get('title')
stade.append(name_stadium)
url_get_stade = "http://fr.wikipedia.org"+url_stade
print(url_get_stade)
# Aller sur la page du stade et trouver ses coodronnées géographiques
search_stade = urllib.request.urlopen(url_get_stade).read()
soup_stade=bs4.BeautifulSoup(search_stade)
kartographer = soup_stade.find('a',{'class': "mw-kartographer-maplink"})
if kartographer == None :
latitude_stade.append(None)
longitude_stade.append(None)
else :
for coordinates in kartographer :
print(coordinates)
liste = coordinates.split(",")
latitude_stade.append(str(liste[0]).replace(" ", "") + "'")
longitude_stade.append(str(liste[1]).replace(" ", "") + "'")
dict = {'division' : division , 'equipe': equipe, 'stade': stade, 'latitude': latitude_stade, 'longitude' : longitude_stade}
data = pd.DataFrame(dict)
data = data.dropna()
```
```{python}
#| echo: true
data.head(5)
```
On va transformer les coordonnées en degrés en coordonnées numériques
afin d'être en mesure de faire une carte.
```{python}
#| echo: true
import re
def dms2dd(degrees, minutes, seconds, direction):
dd = float(degrees) + float(minutes)/60 + float(seconds)/(60*60);
if direction in ('S', 'O'):
dd *= -1
return dd
def parse_dms(dms):
parts = re.split('[^\d\w]+', dms)
lat = dms2dd(parts[0], parts[1], parts[2], parts[3])
#lng = dms2dd(parts[4], parts[5], parts[6], parts[7])
return lat
```
```{python}
#| echo: true
data['latitude'] = data['latitude'].apply(parse_dms)
data['longitude'] = data['longitude'].apply(parse_dms)
```
Tous les éléments sont en place pour faire une belle carte à ce stade. On
va utiliser `folium` pour celle-ci, qui est présenté dans la partie
[visualisation](#cartotp).
### Carte des stades avec `folium` {#cartes-stades-ligue1}
```{python}
#| echo: true
#| output: false
import geopandas as gpd
from pathlib import Path
import folium
gdf = gpd.GeoDataFrame(
data, geometry=gpd.points_from_xy(data.longitude, data.latitude))
Path("leaflet").mkdir(parents=True, exist_ok=True)
center = gdf[['latitude', 'longitude']].mean().values.tolist()
sw = gdf[['latitude', 'longitude']].min().values.tolist()
ne = gdf[['latitude', 'longitude']].max().values.tolist()
m = folium.Map(location = center, tiles='openstreetmap')
# I can add marker one by one on the map
for i in range(0,len(gdf)):
folium.Marker([gdf.iloc[i]['latitude'], gdf.iloc[i]['longitude']], popup=gdf.iloc[i]['stade']).add_to(m)
m.fit_bounds([sw, ne])
```
La carte obtenue doit ressembler à la suivante :
```{python}
# Afficher la carte
m
```
## Récupérer des informations sur les pokemons
Le prochain exercice pour mettre en pratique le _web scraping_
consiste à récupérer des informations sur les
pokemons à partir du
site internet [pokemondb.net](http://pokemondb.net/pokedex/national).
### Version non guidée
::: {.cell .markdown}
```{=html}
<div class="alert alert-success" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-pencil"></i> Exercice 2 : Les pokemon (version non guidée)</h3>
```
Pour cet exercice, nous vous demandons d'obtenir différentes informations sur les pokémons :
1. les informations personnelles des __893__ pokemons sur le site internet [pokemondb.net](http://pokemondb.net/pokedex/national).
Les informations que nous aimerions obtenir au final dans un `DataFrame` sont celles contenues dans 4 tableaux :
- Pokédex data
- Training
- Breeding
- Base stats
2. Nous aimerions que vous récupériez également les images de chacun des pokémons et que vous les enregistriez dans un dossier
* Petit indice : utilisez les modules `request` et [`shutil`](https://docs.python.org/3/library/shutil.html)
* Pour cette question, il faut que vous cherchiez de vous même certains éléments, tout n'est pas présent dans le TD.
```{=html}
</div>
```
:::
Pour la question 1, l'objectif est d'obtenir le code source d'un tableau comme
celui qui suit
(Pokemon [Nincada](http://pokemondb.net/pokedex/nincada)).
::: {.cell .markdown}
<div class="grid-col span-md-6 span-lg-4">
<h2>Pokédex data</h2>
<table class="vitals-table">
<tbody>
<tr>
<th>National №</th>
<td><strong>290</strong></td>
</tr>
<tr>
<th>Type</th>
<td>
<a class="type-icon type-bug" href="/type/bug">Bug</a> <a class="type-icon type-ground" href="/type/ground">Ground</a> </td>
</tr>
<tr>
<th>Species</th>
<td>Trainee Pokémon</td>
</tr>
<tr>
<th>Height</th>
<td>0.5 m (1′08″)</td>
</tr>
<tr>
<th>Weight</th>
<td>5.5 kg (12.1 lbs)</td>
</tr>
<tr>
<th>Abilities</th>
<td><span class="text-muted">1. <a href="/ability/compound-eyes" title="The Pokémon's accuracy is boosted.">Compound Eyes</a></span><br><small class="text-muted"><a href="/ability/run-away" title="Enables a sure getaway from wild Pokémon.">Run Away</a> (hidden ability)</small><br></td>
</tr>
<tr>
<th>Local №</th>
<td>042 <small class="text-muted">(Ruby/Sapphire/Emerald)</small><br>111 <small class="text-muted">(X/Y — Central Kalos)</small><br>043 <small class="text-muted">(Omega Ruby/Alpha Sapphire)</small><br>104 <small class="text-muted">(Sword/Shield)</small><br></td>
</tr>
</tbody>
</table>
</div>
<div class="grid-col span-md-12 span-lg-4">
<div class="grid-row">
<div class="grid-col span-md-6 span-lg-12">
<h2>Training</h2>
<table class="vitals-table">
<tbody>
<tr>
<th>EV yield</th>
<td class="text">
1 Defense </td>
</tr>
<tr>
<th>Catch rate</th>
<td>255 <small class="text-muted">(33.3% with PokéBall, full HP)</small></td>
</tr>
<tr>
<th>Base <a href="/glossary#def-friendship">Friendship</a></th>
<td>70 <small class="text-muted">(normal)</small></td>
</tr>
<tr>
<th>Base Exp.</th>
<td>53</td>
</tr>
<tr>
<th>Growth Rate</th>
<td>Erratic</td>
</tr>
</tbody>
</table>
</div>
<div class="grid-col span-md-6 span-lg-12">
<h2>Breeding</h2>
<table class="vitals-table">
<tbody>
<tr>
<th>Egg Groups</th>
<td>
<a href="/egg-group/bug">Bug</a> </td>
</tr>
<tr>
<th>Gender</th>
<td><span class="text-blue">50% male</span>, <span class="text-pink">50% female</span></td> </tr>
<tr>
<th><a href="/glossary#def-eggcycle">Egg cycles</a></th>
<td>15 <small class="text-muted">(3,599–3,855 steps)</small>
</td>
</tr>
</tbody>
</table>
</div>
</div>
</div>
<div class="grid-col span-md-12 span-lg-8">
<div id="dex-stats"></div>
<h2>Base stats</h2>
<div class="resp-scroll">
<table class="vitals-table">
<tbody>
<tr>
<th>HP</th>
<td class="cell-num">31</td>
<td class="cell-barchart">
<div style="width:17.22%;" class="barchart-bar barchart-rank-2 "></div>
</td>
<td class="cell-num">172</td>
<td class="cell-num">266</td>
</tr>
<tr>
<th>Attack</th>
<td class="cell-num">45</td>
<td class="cell-barchart">
<div style="width:25.00%;" class="barchart-bar barchart-rank-2 "></div>
</td>
<td class="cell-num">85</td>
<td class="cell-num">207</td>
</tr>
<tr>
<th>Defense</th>
<td class="cell-num">90</td>
<td class="cell-barchart">
<div style="width:50.00%;" class="barchart-bar barchart-rank-4 "></div>
</td>
<td class="cell-num">166</td>
<td class="cell-num">306</td>
</tr>
<tr>
<th>Sp. Atk</th>
<td class="cell-num">30</td>
<td class="cell-barchart">
<div style="width:16.67%;" class="barchart-bar barchart-rank-2 "></div>
</td>
<td class="cell-num">58</td>
<td class="cell-num">174</td>
</tr>
<tr>
<th>Sp. Def</th>
<td class="cell-num">30</td>
<td class="cell-barchart">
<div style="width:16.67%;" class="barchart-bar barchart-rank-2 "></div>
</td>
<td class="cell-num">58</td>
<td class="cell-num">174</td>
</tr>
<tr>
<th>Speed</th>
<td class="cell-num">40</td>
<td class="cell-barchart">
<div style="width:22.22%;" class="barchart-bar barchart-rank-2 "></div>
</td>
<td class="cell-num">76</td>
<td class="cell-num">196</td>
</tr>
</tbody>
<tfoot>
<tr>
<th>Total</th>
<td class="cell-total"><b>266</b></td>
<th class="cell-barchart"></th>
<th>Min</th>
<th>Max</th>
</tr>
</tfoot>
</table>
</div>
</div>
:::
Pour la question 2, l'objectif est d'obtenir
les images des pokemon.
### Version guidée
Les prochaines parties permettront de faire l'exercice ci-dessus
étape par étape,
de manière guidée.
Nous souhaitons tout d'abord obtenir les
informations personnelles de tous
les pokemons sur [pokemondb.net](http://pokemondb.net/pokedex/national).
Les informations que nous aimerions obtenir au final pour les pokemons sont celles contenues dans 4 tableaux :
- Pokédex data
- Training
- Breeding
- Base stats
Nous proposons ensuite de récupérer et afficher les images.
#### Etape 1: constituer un DataFrame de caractéristiques
::: {.cell .markdown}
```{=html}
<div class="alert alert-success" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-pencil"></i> Exercice 2b : Les pokémons (version guidée)</h3>
```
Pour récupérer les informations, le code devra être divisé en plusieurs étapes :
1. Trouvez la page principale du site et la transformer en un objet intelligible pour votre code.
Les fonctions suivantes vous seront utiles :
- `urllib.request.Request`
- `urllib.request.urlopen`
- `bs4.BeautifulSoup`
2. Créez une fonction qui permet de récupérer la page d'un pokémon à partir de son nom.
3. A partir de la page de `bulbasaur`, obtenez les 4 tableaux qui nous intéressent :
- on va chercher l'élément suivant : `('table', { 'class' : "vitals-table"})`
- puis stocker ses éléments dans un dictionnaire
4. Récupérez par ailleurs la liste de noms des pokémons qui nous permettra de faire une boucle par la suite. Combien trouvez-vous de pokémons ?
5. Ecrire une fonction qui récupère l'ensemble des informations sur les dix premiers pokémons de la liste et les intègre dans un `DataFrame`
```{=html}
</div>
```
:::
```{python}
#| output: false