-
Notifications
You must be signed in to change notification settings - Fork 2
/
Copy pathWebScrapping.py
193 lines (144 loc) · 8.04 KB
/
WebScrapping.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
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
# -*- coding: utf-8 -*-
"""
@author: Alba Casillas Rodríguez
@author: Pablo Robles Molina
@author: Tomás Ruíz Fernández
"""
from bs4 import BeautifulSoup
import requests
from werkzeug.utils import html
import MisRecetas
class WebScrapping:
# Constructor de la clase Receta
def __init__(self, ingred):
self.ingrediente = ingred
# Si el usuario introduce los ingredientes separados con comas, las eliminamos
self.ingrediente = self.ingrediente.replace(",","")
# Metodo que realice el WebScrapping de "Recetas Gratis"
def buscar_recetasGratis(self):
url = 'https://www.recetasgratis.net/busqueda?q='
# ¡NOTA! Sirve tanto con uno como con más de un ingrediente
# ya que varios ingredientes se reciben de la forma ingrediente=ing1+ing2
url_completa = url + self.ingrediente
html_text = requests.get(url_completa).text
soup = BeautifulSoup(html_text, 'lxml')
elementos = soup.find_all('div', class_ = 'resultado link')
lista_elem = []
for elem in elementos:
# Obtenemos los parámetros deseados
titulo = elem.find('a', class_='titulo').text
imagen = elem.find('img', class_='imagen').get('data-imagen')
# Obtenemos la URL donde se encuentra la información detallada de la receta para poder
# hacer el webscrapping de más información (ingredientes, tiempo....)
infoLaReceta = elem.find('a', href=True).get('href')
# Aniadimos los parámetros obtenidos del webScrapping en una lista de
# elementos de tipo MisRecetas.
# Es necesario escribir "MisRecetas.MisRecetas" para llamar a la clase
# MisRecetas que está dentro del módulo con el mismo nombre
receta = MisRecetas.MisRecetas(titulo, imagen, "RECETAS GRATIS", infoLaReceta)
if elem.find('span', class_="property duracion") is not None:
receta.set_tiempo(elem.find('span', class_='property duracion').text)
lista_elem.append(receta)
return lista_elem
def informacion_receta_recetasgratis(self,url):
html_text = requests.get(url).text
soup = BeautifulSoup(html_text, 'lxml')
titulo = soup.find('h1', class_="titulo titulo--articulo").text
imagen = soup.find('div', class_="imagen lupa").find('img').get('src')
receta = MisRecetas.MisRecetas(titulo, imagen, "RECETAS GRATIS", url)
# Este span proporciona la 'dificultad' 'tiempo' y 'comensales', sin embargo
# en la página solo se muestra el tiempo y los comensales, por lo que nos quedamos con
# la segunda y tercera posicion del array
busqueda_tiempo = soup.find('span', class_='property duracion')
busqueda_comensales = soup.find('span', class_='property comensales')
busqueda_categoria = soup.find('span', class_='property para')
if busqueda_tiempo is not None:
receta.set_tiempo(busqueda_tiempo.text)
if busqueda_comensales is not None:
receta.set_comensales(busqueda_comensales.text)
if busqueda_categoria is not None:
receta.set_categoria(busqueda_categoria.text)
# Obtención de los ingredientes
lista_ingredientes = soup.find_all('li', class_="ingrediente")
# Se debe borrar la lista antes de rellenarla ya que si el usuario recarga la pagina de una receta
# el objeto sdigue existiendo y multiplica la información
receta.remove_ingredientes()
if len(lista_ingredientes) > 0:
for lst in lista_ingredientes:
lst = lst.text
lst = lst.replace("\n", "")
receta.add_ingrediente(lst)
# Obtenemos los pasos de la receta correspondiente
lista_preparacion = soup.find_all('div', class_='apartado')
receta.remove_preparacion()
if len(lista_preparacion) > 0:
for prep in lista_preparacion:
# Es necesario este if para recoger exclusivamente los pasos pertenecientes a la receta
# y omitir información no necesaria de la página
if prep.find('div', class_='orden') is not None:
parrafo = prep.find('p').text
receta.add_preparacion(parrafo)
return receta
# Metodo que realice el WebScrapping de "Recetas de Rechupete"
def buscar_rechupete(self):
url = 'https://www.recetasderechupete.com/?s='
url_completa = url + self.ingrediente
html_text = requests.get(url_completa).text
soup = BeautifulSoup(html_text, 'lxml')
elementos = soup.find_all('div', class_='pure-u-1-2 pure-u-lg-1-5')
lista_elem = []
for elem in elementos:
# Obtenemos los parámetros deseados
# Como el tag <a href...> donde se aloja el titulo no tiene ningún atributo 'class'
# no se puede hacer la búsqueda por la clase, de forma que buscamos todos los <a href>
# dentro del artículo y solo guardamos el atributo 'title'
titulo = elem.find('a', href=True).find('strong').text
imagen = elem.find('img', class_='rdr-image wp-post-image').get('src')
# Obtenemos la URL donde se encuentra la información detallada de la receta para poder
# hacer el webscrapping de más información (ingredientes, tiempo....)
infoLaReceta = (elem.find('a', href=True).get('href'))
# Aniadimos los parámetros obtenidos del webScrapping en una lista de
# elementos de tipo MisRecetas.
# Es necesario escribir "MisRecetas.MisRecetas" para llamar a la clase
# MisRecetas que está dentro del módulo con el mismo nombre
receta = MisRecetas.MisRecetas(titulo, imagen, "RECETAS DE RECHUPETE", infoLaReceta)
lista_elem.append(receta)
return lista_elem
def informacion_receta_rechupete(self,url):
html_text = requests.get(url).text
soup = BeautifulSoup(html_text, 'lxml')
titulo = soup.find('header').find('h1').text
imagen_list = soup.find_all('img', attrs={"loading": "lazy"})
imagen = imagen_list[1].get('src')
receta = MisRecetas.MisRecetas(titulo, imagen, "RECETAS DE RECHUPETE", url)
# Este spam proporciona la 'dificultad' 'tiempo' y 'comensales', sin embargo
# en la página solo se muestra el tiempo y los comensales, por lo que nos quedamos con
# la segunda y tercera posicion del array
info_aux = soup.find_all('span', class_='rdr-tag')
if len(info_aux) > 0:
receta.set_tiempo(info_aux[1].text)
receta.set_comensales(info_aux[2].text)
# Nos quedamos con la primera categoria indicada por la página
categoria_div = soup.find('div', {'id':'extrainfo'})
if categoria_div is not None:
categorias = categoria_div.find_all('a', href=True)
receta.set_categoria(categorias[0].text)
# Obtención de los ingredientes
ingredientes_div = soup.find('div', {'id':'ingredients'})
# Se debe borrar la lista antes de rellenarla ya que si el usuario recarga la pagina de una receta
# el objeto sdigue existiendo y multiplica la información
receta.remove_ingredientes()
if ingredientes_div is not None:
lista_ingredientes = ingredientes_div.find('ul').find_all('li')
for lst in lista_ingredientes:
receta.add_ingrediente(lst.text)
# Obtenemos los pasos de la receta correspondiente
preparacion_div = soup.find('div', {'id':'description'})
receta.remove_preparacion()
if preparacion_div is not None:
lista_preparacion = preparacion_div.find_all('ol')
for prep in lista_preparacion:
lista_parrafos = prep.find_all('li')
for p in lista_parrafos:
receta.add_preparacion(p.text)
return receta