-
Notifications
You must be signed in to change notification settings - Fork 0
/
crawlMenumania.py
145 lines (110 loc) 路 5.45 KB
/
crawlMenumania.py
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
import urllib
import lxml.html
import operator
import unicodedata
import random
#Fernando Robles Munoz
class Documento:
def __init__( self , url):
#Obtener pagina
self.pagina = lxml.html.fromstring(urllib.urlopen(url).read())
#Obtener algun dato
lista=[]
cuenta=0
tmp=[]
for nodo in self.pagina.xpath("//div[@class='servicios_adicionales']"):
for i in nodo:
cuenta=cuenta+1
if (cuenta==1):
tmp.append(i.text)
else:
for y in i.getchildren():
if(i.get('class')=='tarjetas'):
tmp.append(y[0].get('title'))
else:
if(type(y.text) is type(u"nyan")):
texto=unicodedata.normalize('NFKD', y.text).encode('ascii','ignore')
else:
texto=y.text
tmp.append(texto)
lista.append(tmp)
tmp=[]
cuenta=0
#Nombre
nombre='error'
for nodo in self.pagina.xpath("//h1[@class='informacion_nombre_sam fn org organization-name']"):
if(type(nodo.text) is type(u"nyan")):
nombre=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
else:
nombre=nodo.text
identif=nombre+str(random.randint(1, 100000000))
identif=identif.replace(' ','_')
archivo=open("Restaurantes/"+identif+".txt",'w')
print>>archivo, "'"+identif+"','nombre','"+nombre+"'"
#Telefonos
for nodo in self.pagina.xpath("//span[@class='tel']"):
for k in nodo.text.split():
print>>archivo, "'"+identif+"','telefono','"+k+"'"
#Pagina web
for nodo in self.pagina.xpath("//a[@title='web']"):
print>>archivo, "'"+identif+"','web_page','"+nodo.get('href')+"'"
#Estilos
for nodo in self.pagina.xpath("//div[@class='estilos']/ul/li"):
if(type(nodo.text) is type(u"nyan")):
estilo=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
else:
estilo=nodo.text
print>>archivo, "'"+identif+"','estilo','"+estilo+"'"
identifDir="DIR_"+nombre+str(random.randint(1, 1000))
identifDir=identifDir.replace(' ','_')
print>>archivo, "'"+identif+"','direccion','"+identifDir+"'"
#Calle
for nodo in self.pagina.xpath("//span[@class='street-address']"):
texto=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
print>>archivo, "'"+identifDir+"','calle','"+texto+"'"
#Localidad
for nodo in self.pagina.xpath("//span[@class='locality']"):
texto=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
print>>archivo, "'"+identifDir+"','colonia','"+texto+"'"
#Region
for nodo in self.pagina.xpath("//span[@class='region']"):
texto=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
print>>archivo, "'"+identifDir+"','region','"+texto+"'"
#Cp
for nodo in self.pagina.xpath("//span[@class='cp']"):
texto=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
print>>archivo, "'"+identifDir+"','c.p.','"+texto+"'"
#Pais
for nodo in self.pagina.xpath("//span[@class='country-name']"):
texto=unicodedata.normalize('NFKD', nodo.text).encode('ascii','ignore')
print>>archivo, "'"+identifDir+"','pais','"+texto+"'"
for h in lista:
if(h[0]=='Precio' and len(h)>1): #Precio
print>>archivo, "'"+identif+"','precio_aprox','"+h[1]+"'"
elif(h[0]=='Formas de Pago' and len(h)>1): #Formas de pago
for m in h[1:]:
if(m is not None):
print>>archivo, "'"+identif+"','forma_pago','"+m+"'"
elif(h[0]=='Horarios' and len(h)>1): #Horarios
for m in h[1:]:
print>>archivo, "'"+identif+"','horario','"+m+"'"
elif(h[0]=='Servicios Adicionales' and len(h)>1): #Servicios
for m in h[1:]:
print>>archivo, "'"+identif+"','servicio','"+m+"'"
archivo.close()
#Link de una lista cualquiera en menumania
url="http://menumania.seccionamarilla.com.mx/restaurantes/comida-japonesa/distrito-federal/1"
#Buscar toda la lista completa
pagina = lxml.html.fromstring(urllib.urlopen(url).read())
pagina.make_links_absolute(base_url=url,resolve_base_href=True) #Links absolutos
busquedas=[]
for busqueda in pagina.xpath("//div[@class='paginacion']/ul/li[@class='pageNumber']/a"): #Sacar todas las ligas a paginas de la lista
busquedas.append(busqueda.get('href'))
#Correr el programa para cada restaurante en la lista
for PPP in busquedas:
tempP = lxml.html.fromstring(urllib.urlopen(PPP ).read())
links=[]
for nodo in tempP.xpath("//ul[@class='listado']/li//div[@class='mas_info_listado']/a"): #Para cada liga obtener cada restaurante
links.append(nodo.get('href'))
for y in links:
Documento(y) #Llamar el programa para cada restaurante