Popisy kurzů na DataCampu

Stejně jako v předchozím cvičení je tady kódu hodně – pracuješ přece s celým web-crawling spiderem! Ale nenech se tím odradit. Teď už dobře víš, jak spidery fungují, a tento úkol zvládneš bez problémů!

Jako v předchozím cvičení jsme připravili funkci previewCourses, která ti umožní prohlédnout si výstup spidera. Můžeš ale také rovnou prozkoumávat slovník dc_dict po spuštění kódu.

Tvým úkolem je sestavit CSS selektor, který směřuje přímo na text popisu kurzu. Vše, co potřebuješ vědět: na stránce kurzu se text popisu nachází v elementu odstavce p, který patří do třídy course__description (dvě podtržítka).

Toto cvičení je součástí kurzu

Web Scraping v Pythonu

Zobrazit kurz

Pokyny k cvičení

Doplň jediné prázdné místo v metodě parse_pages – vlož CSS selektor, který směřuje na text uvnitř elementu odstavce p patřícího do třídy course__description.

POZNÁMKA: Pokud klikneš na Run Code, před dalším použitím Run Code musíš nejprve obnovit ukázkový kód pomocí Reset to Sample Code!!

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import scrapy
import scrapy

# Import the CrawlerProcess: for running the spider
from scrapy.crawler import CrawlerProcess

# Create the Spider class
class DC_Description_Spider(scrapy.Spider):
  name = "dc_chapter_spider"
  # start_requests method
  def start_requests(self):
    yield scrapy.Request(url = url_short,
                         callback = self.parse_front)
  # First parsing method
  def parse_front(self, response):
    course_blocks = response.css('div.course-block')
    course_links = course_blocks.xpath('./a/@href')
    links_to_follow = course_links.extract()
    for url in links_to_follow:
      yield response.follow(url = url,
                            callback = self.parse_pages)
  # Second parsing method
  def parse_pages(self, response):
    # Create a SelectorList of the course titles text
    crs_title = response.xpath('//h1[contains(@class,"title")]/text()')
    # Extract the text and strip it clean
    crs_title_ext = crs_title.extract_first().strip()
    # Create a SelectorList of course descriptions text
    crs_descr = response.css( ____ )
    # Extract the text and strip it clean
    crs_descr_ext = crs_descr.extract_first().strip()
    # Fill in the dictionary
    dc_dict[crs_title_ext] = crs_descr_ext

# Initialize the dictionary **outside** of the Spider class
dc_dict = dict()

# Run the Spider
process = CrawlerProcess()
process.crawl(DC_Description_Spider)
process.start()

# Print a preview of courses
previewCourses(dc_dict)

Upravit a spustit kód