Um parser em Python que reúne manchetes de notícias abertas em uma tabela: manchete, data, editoria, linha fina e link

Exemplo de resultado

def product_links(list_url: str) -> Iterator[str]:
    """Links das páginas de produto de todas as páginas da lista, seguindo o botão 'Próxima'."""
    url: str | None = list_url
    while url:
        page = fetch(url)
        for card in page.select("div.product-card a.title"):
            yield urljoin(url, card["href"])
        next_link = page.select_one("a.pagination-next")
        url = urljoin(url, next_link["href"]) if next_link else None


def fetch(url: str) -> BeautifulSoup:
    """Uma página aberta, em um ritmo educado: uma pausa entre as requisições e algumas tentativas em caso de erro."""
    for attempt in range(3):
        time.sleep(settings.delay_seconds)
        response = session.get(url, timeout=30)
        if response.status_code == 200:
            return BeautifulSoup(response.text, "html.parser")
        log.warning("%s respondeu %s, tentativa %d de 3", url, response.status_code, attempt + 1)
    raise ScraperError(f"{url} não abriu depois de 3 tentativas")

Sobre este serviço

Profissionais de PR, analistas e editores usam este parser para manter uma tabela do que os sites de notícias abertos publicam: manchete, data e hora, editoria, tags, a linha fina mostrada na lista e o link. Envie as páginas de listas de notícias que você acompanha, uma página de notícia e uma ou duas páginas salvas no seu navegador. Você recebe o código em Python com um arquivo de configurações e um README e roda no seu computador sempre que quiser uma lista atualizada. Ele pega manchetes e linhas finas, não matérias inteiras, já que os textos pertencem aos veículos, e deixa as assinaturas de fora, então a tabela não tem nomes de pessoas. Ele lê páginas abertas em um ritmo educado e nunca faz login nem contorna paywalls, captchas ou proteções. Você decide se os termos do site permitem; uma mudança futura no layout dele exige uma atualização.

O que está incluído

• O que você recebeUm arquivo ZIP com o código em Python, um arquivo de configurações e um README com instruções passo a passo; o código também aparece na página do pedido.
• Manchete e linha finaComo a lista de notícias mostra
• Data em um só formatoPara você ordenar e filtrar por dia
• Só os seus temasUm filtro opcional pelas palavras que você listar
• Ritmo educadoUma pausa entre as páginas, definida nas configurações
• Roda no seu computadorWindows, macOS ou Linux, com Python

Como funciona

1. 1
   FontesVocê passa as listas de notícias e uma página de notícia salva
2. 2
   ParserEscrevemos o código e o guia para rodá-lo
3. 3
   ExecuçãoVocê roda e confere as manchetes de hoje com o site
4. 4
   AjustesVocê pede ajustes dentro do seu pacote e envia qualquer mensagem de erro

O que precisamos de você

Os sites de notícias e as páginas de listas ou editorias exatas que você acompanha, e uma página de notícia de cada um. Os campos de que você precisa, ex.: manchete, data, hora, editoria, tags, linha fina, link. Palavras a manter ou descartar, se você quiser um filtro. Uma ou duas dessas páginas salvas no seu navegador (Arquivo > Salvar página como) ou capturas de tela. Com que frequência você vai rodá-lo, e CSV ou Excel.

Vamos perguntar:

• Quais sites de notícias e editorias?
• Os campos de que você precisa
• Palavras a manter
• Com que frequência você vai rodá-lo?

Compare os pacotes

Perguntas e respostas

Não encontrou a resposta? Pergunte