Um parser em Python para um catálogo aberto de cursos online: título, escola, preço, duração e formato em uma tabela

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

Escolas online, agregadores de cursos e quem compara formações usam este parser para levar um catálogo aberto de cursos para uma tabela: título do curso, escola, tema, nível, formato, duração, data de início, preço e preço antigo, número de aulas, nota como aparece e link. Envie a página do catálogo, uma página de curso e uma ou duas páginas salvas no seu navegador. Você recebe o código em Python, um arquivo de configurações e um README e roda no seu computador. Ele copia o que as páginas dizem; não avalia a qualidade dos cursos nem promete resultados da formação. Nomes de professores e avaliações de alunos ficam de fora, então a tabela não tem dados pessoais. Ele lê páginas abertas em um ritmo educado e nunca faz login nem contorna 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.
• Preços para compararPreço, preço antigo e parcelamento em colunas separadas
• Duração e formatoSemanas ou horas, ao vivo ou gravado, como a página diz
• Tema e nívelEm colunas separadas para filtros
• Ritmo educadoUma pausa entre as páginas, definida nas configurações
• Roda no seu computadorWindows, macOS ou Linux, com Python

Como funciona

1. 1
   CatálogoVocê passa o catálogo e uma página de curso salva
2. 2
   ParserEscrevemos o código e o guia para rodá-lo
3. 3
   ExecuçãoVocê roda e confere alguns cursos com o site
4. 4
   AjustesVocê pede ajustes dentro do seu pacote e envia qualquer mensagem de erro

O que precisamos de você

O site e as páginas exatas: um link para o catálogo de cursos e para uma página de curso, e mais ou menos quantos cursos há. Os campos na ordem da sua tabela, ex.: título, escola, tema, nível, formato, duração, data de início, preço, preço antigo, link. Uma ou duas dessas páginas salvas no seu navegador (Arquivo > Salvar página como) ou capturas de tela. CSV ou Excel.

Vamos perguntar:

• Qual site e quais páginas?
• Os campos de que você precisa
• Mais ou menos quantos cursos?
• Só alguns cursos?

Compare os pacotes

Perguntas e respostas

Não encontrou a resposta? Pergunte