Aktuální Respekt v HTML

Y-U-NO-HTML.py

# Scrapuje Respekt.cz, aby to shráblo aktuální číslo v HTML.
# Nestahuje to obrázky, ale vidět jsou, protože maj absolutní URL,
# tohle se dá spravit pomocí pář řádků.
# 
# Bohužel hapruje diakritika, bude tam někde potřeba pořešit přes iconv nebo tak něco.

import mechanize
from pyquery import PyQuery as pq

usr = "username"
pwd = "password"

br = mechanize.Browser()
br.open("http://www.respekt.cz")

br.select_form(name="login")
br["login[nick]"] = usr
br["login[pass]"] = pwd

br.submit()

br.open("http://respekt.ihned.cz/aktualni-cislo/")

html = br.response().read()
doc = pq(html)
linky = doc("div.ow-enclose div.ow h2 a:first-child")

for l in linky:
	link = pq(l).attr("href")
	br.open(link)
	htmlArt = br.response().read()

	docArt = pq(htmlArt)

	nadpis = docArt("div#detail h1").text()
	autor = docArt("div.d-date-author a:last-child").text()
	perex =  docArt("div.d-perex").text()
	obsah = docArt("div.d-text").html()
	
	print "<h1>" + nadpis + "</h1>"
	print "<em>" + autor + "</em>"
	print "<p><strong>" + perex + "</strong></p>"
	print obsah