Last active
April 22, 2019 05:14
-
-
Save marcogoldin/58e648a77226ce55ca639c8fae46ebe3 to your computer and use it in GitHub Desktop.
Simple crawler
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| import pandas as pd | |
| from selenium import webdriver | |
| from selenium.webdriver.firefox.options import Options | |
| opts = Options() | |
| opts.headless = True | |
| driver = webdriver.Firefox(executable_path='../geckodriver', options=opts) | |
| def crawler(codice_isbn): | |
| driver.get('https://opac.sbn.it/opacsbn/opac/iccu/avanzata.jsp') | |
| print(f'Titolo della pagina: {driver.title}') | |
| isbn = driver.find_element_by_id('fieldval:4') | |
| isbn.send_keys(str(codice_isbn)) | |
| isbn.submit() | |
| driver.implicitly_wait(5) | |
| click_link = driver.find_elements_by_xpath("//a[contains(@title, 'Risultato 1')]") | |
| dizio_click_link = click_link[0].text | |
| print(click_link[0].text) | |
| driver.find_element_by_link_text(click_link[0].text).click() | |
| print(f'Titolo della pagina: {driver.title}') | |
| numeri = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[9]/td[1]") | |
| numeri_isbn = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[9]/td[2]") | |
| nomi = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[10]/td[1]") | |
| nomi_autore = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[10]/td[2]") | |
| soggetti1 = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[11]/td[1]") | |
| soggetti2 = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[11]/td[2]") | |
| cdd1 = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[12]/td[1]") | |
| cdd2 = driver.find_element_by_xpath("//div/table[@id='details']/tbody/tr[12]/td[2]") | |
| print(f'{numeri.text}:{numeri_isbn.text.replace("·","")} \n{nomi.text}:{nomi_autore.text.replace("·","").replace(" scheda di autorità","")}') | |
| print(f'{soggetti1.text}:{soggetti2.text.replace("·","")} \n{cdd1.text}:{cdd2.text.replace("·","")}') | |
| print(f'URL della pagina: {driver.current_url}') | |
| url = driver.current_url | |
| dizio = {'titolo':[],'isbn':[],'autore':[],'soggetti':[],'dewey':[],'url':[]} | |
| dizio['titolo'].append(dizio_click_link) | |
| dizio['isbn'].append(numeri_isbn.text.replace("·","")) | |
| dizio['autore'].append(nomi_autore.text.replace("·","").replace(" scheda di autorità","")) | |
| dizio['soggetti'].append(soggetti2.text.replace("·","")) | |
| dizio['dewey'].append(cdd2.text.replace("·","")) | |
| dizio['url'].append(driver.current_url) | |
| print(f'\n**** Dati Json *****\n {dizio}') | |
| df = pd.DataFrame(data=dizio) | |
| return df | |
| # just run | |
| crawler(9788807033247) |
| titolo | isbn | autore | soggetti | dewey | url |
|---|---|---|---|---|---|
| Il filo infinito : viaggio alle radici d'Europa / Paolo Rumiz | [ISBN] 978-88-07-03324-7 | Rumiz, Paolo | Monasteri benedettini - Europa - Descrizioni e viaggi | 914.0456 (21.) GEOGRAFIA DELL'EUROPA. Viaggi. 2000- | https://opac.sbn.it/opacsbn/opaclib?resultForward=opac%2Ficcu%2Ffull.jsp&select_db=solr_iccu&do_cmd=search_show_cmd&searchForm=opac%2Ficcu%2Favanzata.jsp&saveparams=false&db=solr_iccu&nentries=1&rpnlabel=+ISBN+%3D+9788807033247+%28parole+in+AND%29+&rpnquery=%2540attrset%2Bbib-1%2B%2B%2540attr%2B1%253D7%2B%2540attr%2B4%253D6%2B%25229788807033247%2522&&fname=none&from=1 |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
l'isbn dell'esempio restituisce i seguenti dati:
Titolo della pagina: Ricerca avanzata
Il filo infinito : viaggio alle radici d'Europa / Paolo Rumiz
Titolo della pagina: Scheda dettagliata
Numeri: [ISBN] 978-88-07-03324-7
Nomi: Rumiz, Paolo
Soggetti: Monasteri benedettini - Europa - Descrizioni e viaggi
Classificazione Dewey: 914.0456 (21.) GEOGRAFIA DELL'EUROPA. Viaggi. 2000-
URL della pagina: https://opac.sbn.it/opacsbn/opaclib?resultForward=opac%2Ficcu%2Ffull.jsp&select_db=solr_iccu&do_cmd=search_show_cmd&searchForm=opac%2Ficcu%2Favanzata.jsp&saveparams=false&db=solr_iccu&nentries=1&rpnlabel=+ISBN+%3D+9788807033247+%28parole+in+AND%29+&rpnquery=%2540attrset%2Bbib-1%2B%2B%2540attr%2B1%253D7%2B%2540attr%2B4%253D6%2B%25229788807033247%2522&&fname=none&from=1
stessi dati formattati dal crawler come Json
{'titolo': ["Il filo infinito : viaggio alle radici d'Europa / Paolo Rumiz"], 'isbn': [' [ISBN] 978-88-07-03324-7'], 'autore': [' Rumiz, Paolo'], 'soggetti': [' Monasteri benedettini - Europa - Descrizioni e viaggi'], 'dewey': [" 914.0456 (21.) GEOGRAFIA DELL'EUROPA. Viaggi. 2000-"], 'url': ['https://opac.sbn.it/opacsbn/opaclib?resultForward=opac%2Ficcu%2Ffull.jsp&select_db=solr_iccu&do_cmd=search_show_cmd&searchForm=opac%2Ficcu%2Favanzata.jsp&saveparams=false&db=solr_iccu&nentries=1&rpnlabel=+ISBN+%3D+9788807033247+%28parole+in+AND%29+&rpnquery=%2540attrset%2Bbib-1%2B%2B%2540attr%2B1%253D7%2B%2540attr%2B4%253D6%2B%25229788807033247%2522&&fname=none&from=1']}
pandas df
la funzione ritorna un DataFrame, quindi visualizzabile anche come:
df = crawler(9788807033247)
df.head()