Парсер новостей на Python: собирает заголовки в таблицу — заголовок, дата, раздел, короткий анонс, ссылка

Пример результата

def product_links(list_url: str) -> Iterator[str]:
    """Ссылки на карточки со всех страниц списка, по кнопке «Дальше»."""
    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:
    """Одна открытая страница, без спешки: пауза между запросами и несколько попыток при ошибке."""
    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 ответил %s, попытка %d из 3", url, response.status_code, attempt + 1)
    raise ScraperError(f"{url} не открылся за 3 попытки")

Об услуге

PR-службы, аналитики и редакторы ведут таблицу того, что публикуют открытые новостные сайты: заголовок, дата и время, раздел, теги, короткий анонс из ленты и ссылка. Пришлите страницы лент, которые вы читаете, одну страницу новости и одну-две страницы, сохранённые из браузера. Вы получите код на Python с файлом настроек и README и будете запускать его на своём компьютере, когда нужен свежий список. Парсер берёт заголовки и анонсы, а не статьи целиком, ведь тексты принадлежат издателям, и не берёт подписи авторов, так что имён людей в таблице нет. Он читает открытые страницы в спокойном темпе, не входит в аккаунты и не обходит платный доступ, капчи и защиту. Разрешают ли это правила сайта, решаете вы; после смены вёрстки нужна доработка.

Что входит

• Что вы получитеАрхив ZIP с кодом на Python, файлом настроек и README с пошаговой инструкцией; код также виден на странице заказа.
• Заголовок и анонсТак, как они показаны в ленте
• Дата в одном форматеМожно сортировать и фильтровать по дням
• Только ваши темыФильтр по вашим словам, если нужен
• Спокойный темпПауза между страницами, задаётся в настройках
• Работает на вашем компьютереWindows, macOS или Linux, с Python

Порядок работы

1. 1
   ИсточникиВы даёте ленты новостей и одну сохранённую новость
2. 2
   ПарсерМы пишем код и инструкцию по запуску
3. 3
   ЗапускВы запускаете его и сверяете сегодняшние заголовки с сайтом
4. 4
   ПравкиВы просите правки в рамках пакета и присылаете текст ошибки, если она есть

Что нужно от вас

Новостные сайты и конкретные ленты или разделы, которые вы читаете, и по одной странице новости с каждого. Нужные поля, например заголовок, дата, время, раздел, теги, анонс, ссылка. Слова, по которым оставлять или убирать новости, если нужен фильтр. Одна-две такие страницы, сохранённые из браузера («Файл» > «Сохранить страницу как»), или скриншоты. Как часто вы будете его запускать и CSV или Excel.

В брифе мы спросим:

• Какие сайты и разделы?
• Нужные поля
• Слова для фильтра
• Как часто вы будете его запускать?

Сравнение пакетов

Вопросы и ответы

Не нашли ответ? Спросите