-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathscraping_extra.py
More file actions
193 lines (164 loc) · 8.86 KB
/
Copy pathscraping_extra.py
File metadata and controls
193 lines (164 loc) · 8.86 KB
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
from requests.api import head, options, request
from bs4 import BeautifulSoup
from selenium import webdriver
from time import sleep
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.common.action_chains import ActionChains
import random
import pandas as pd
class ChromeAuto:
def __init__(self):
#configuração do browser
self.driver_path = 'chromedriver.exe'
self.options = webdriver.ChromeOptions()
self.user_agent = ['Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.246',
'Mozilla/5.0 (X11; CrOS x86_64 8172.45.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.64 Safari/537.36',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/601.3.9 (KHTML, like Gecko) Version/9.0.2 Safari/601.3.9',
'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:15.0) Gecko/20100101 Firefox/15.0.1',
'Mozilla/5.0 (CrKey armv7l 1.5.16041) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.0 Safari/537.36'
]
#desativando extensão, maximizando a pagina, passando cabeçalhos, etc
UA = random.choice(self.user_agent)
self.options.add_argument(f'user-agent={UA}')
self.options.add_argument('desable-blink-features=AutomationControlled')
self.options.add_argument('--allow-running-insecure-content')
self.options.add_argument('--ignore-certificate-errors')
self.options.add_argument('--disable-infobars')
self.options.add_argument('--disable-extensions')
self.options.add_argument('--profile-directory=Default')
self.options.add_argument("--incognito")
self.options.add_argument("--disable-plugins-discovery")
self.options.add_argument("--start-maximized")
self.chrome = webdriver.Chrome(
self.driver_path,
options=self.options
)
self.chrome.delete_all_cookies()
#função para clicar em departamentos, após em eletrodoméstico e por fim em refrigeradores
def clica_eletrodomestico(self):
self.df_refrigerador = pd.DataFrame(index=['URL','DESCRIÇÃO','CÓDIGO'])
try:
#clicando em departamentos
self.btn_departamento = self.chrome.find_element_by_xpath('//*[@id="aspnetForm"]/header/div[1]/div[3]/div/nav')
self.btn_departamento.click()
#função para passa o mouse em cima do botão eletrodoméstico
self.btn_eletrodomestico = self.chrome.find_element_by_xpath('//*[@id="aspnetForm"]/header/div[1]/div[3]/div/nav/ul/li/ul/li[5]/a')
self.Hover = ActionChains(self.chrome).move_to_element(self.btn_eletrodomestico)
self.Hover.perform()
#clicando na opção refrigerador
self.btn_refigerador = self.chrome.find_element_by_xpath('//*[@id="submenu-eletrodomesticos"]/ul/li[1]/ul/li[2]/a')
self.btn_refigerador.click()
except Exception as e:
print('Erro ao clicar em Eletrodoméstico', e)
#usando BeautifulSoup para pegar os dados
soup = self.chrome.get(self.btn_refigerador)
index = BeautifulSoup(soup, 'html.parser')
links = index.find('div',{'class':'Item-sc-10xgy2z-0 gZYlRk'})
links = links.find_all('a',href=True)
#percorrendo os links de refrigeradores
for link in links:
refri = BeautifulSoup(link.data, 'html.parser')
descriicao = refri.find('div',{'class':'css-1jjcxt1 e1c9wg811'})
cod = refri.find('div',{'class':'css-1jjcxt1 e1c9wg811'})
#extraindo a descrição e o codigo do item, fazendo alguma limpezas no texto
if descriicao != None:
descriicao = [y.get_text(strip=True) for y in refri.find_all('h1')]
descriicao = str(descriicao)
descriicao = descriicao.replace("['",'')
descriicao = descriicao.replace("']",'')
descriicao = descriicao.replace('["','')
descriicao = descriicao.replace('"]','')
descriicao = descriicao.replace("', '",'')
cod = [y.get_text(strip=True) for y in refri.find_all('p')]
cod = str(cod)
cod = cod.replace("['",'')
cod = cod.replace("']",'')
cod = cod.replace('["','')
cod = cod.replace('"]','')
cod = cod.replace("', '",'')
df_refrigerador = df_refrigerador.append({'URL': link,
'DESCRIÇÃO': descriicao,
'CÓDIGO': cod},
ignore_index=True)
return self.df_refrigerador
#função para clicar em departamentos, após em informática e por fim em impressoras
def clica_informatica(self):
self.df_impressora = pd.DataFrame(index=['URL','DESCRIÇÃO','CÓDIGO'])
try:
#clicando em departamentos
self.btn_departamento = self.chrome.find_element_by_xpath('//*[@id="aspnetForm"]/header/div[1]/div[3]/div/nav')
self.btn_departamento.click()
#função para passa o mouse em cima do botão informática
self.btn_informatica = self.chrome.find_element_by_xpath('//*[@id="aspnetForm"]/header/div[1]/div[3]/div/nav/ul/li/ul/li[4]/a')
Hover = ActionChains(self.chrome).move_to_element(self.btn_informatica)
Hover.perform()
#clicando na opção impresora
self.btn_impresora = self.chrome.find_element_by_xpath('//*[@id="submenu-informatica"]/ul/li[4]/ul/li[3]/a')
self.btn_impresora.click()
except Exception as e:
print('Erro ao clicar em Informática', e)
#usando BeautifulSoup para pegar os dados
soup = self.chrome.get(self.btn_refigerador)
index = BeautifulSoup(soup, 'html.parser')
links = index.find('div',{'class':'Row-sc-1s8ruxj-0 iWSNLk'})
links = links.find_all('a',href=True)
#percorrendo os links de impressoras
for link in links:
impre = BeautifulSoup(link.data, 'html.parser')
descriicao = impre.find('div',{'class':'css-1jjcxt1 e1c9wg811'})
cod = impre.find('div',{'class':'css-1jjcxt1 e1c9wg811'})
#extraindo a descrição e o codigo do item
if descriicao != None:
descriicao = [y.get_text(strip=True) for y in impre.find_all('h1')]
descriicao = str(descriicao)
descriicao = descriicao.replace("['",'')
descriicao = descriicao.replace("']",'')
descriicao = descriicao.replace('["','')
descriicao = descriicao.replace('"]','')
descriicao = descriicao.replace("', '",'')
cod = [y.get_text(strip=True) for y in impre.find_all('p')]
cod = str(cod)
cod = cod.replace("['",'')
cod = cod.replace("']",'')
cod = cod.replace('["','')
cod = cod.replace('"]','')
cod = cod.replace("', '",'')
df_impressora = df_impressora.append({'URL': link,
'DESCRIÇÃO': descriicao,
'CÓDIGO': cod},
ignore_index=True)
return self.df_impressora
# Falta fazer a opção dos televisores
############################
##########################
#unindo os dataframes
def dataframe(self):
df = [self.df_impressora,self.df_refrigerador]
result = pd.concat(df)
result.dropna(inplace=True)
result.head(-1)
#função para acessar o site
def acessa(self, site):
teste = self.chrome.get(site)
#print(self.chrome.title)
#função para volta a página
def voltar(self):
self.chrome.back()
#função para fechar o browser
def sair(self):
self.chrome.quit()
base = 'https://www.extra.com.br'
#realizando as ações
if __name__ == '__main__':
chrome = ChromeAuto()
chrome.acessa(base)
sleep(5)
chrome.clica_eletrodomestico()
sleep(5)
chrome.voltar()
chrome.clica_informatica()
sleep(5)
chrome.voltar()
chrome.sair()
chrome.dataframe()