Recursos
Resumen
Conecta tu trabajo de scraping con análisis real: aprende a guardar artículos en CSV con Python usando una función clara, nombres de archivo con fecha y escritura robusta. Este flujo elimina prints de debug y apuesta por un output reproducible y fácil de manipular.
¿Cómo guardar artículos en CSV con Python?
Para cerrar el ciclo, se crea una función auxiliar llamada save_articles que recibe dos parámetros: news site UID y articles. Se eliminan los prints usados para debuggear y se pasa a persistir resultados con el módulo csv.
¿Qué hace la función save_articles?
- Recibe el identificador del sitio y la lista de artículos.
- Calcula la fecha actual con datetime.now.
- Construye el nombre de archivo con el UID, la fecha y la palabra articles.
- Genera los csv headers de forma programática.
- Escribe encabezados y filas con csv.writer.
import datetime import csv def save_articles(news_site_uid, articles): # fecha actual y formateo AAAA_MM_DD now = datetime.datetime.now() now = now.strftime('%Y_%m_%d') # nombre de salida: uid_fecha_articles.csv out_file_name = f'{news_site_uid}_{now}_articles.csv' # headers dinámicos a partir del primer artículo csv_headers = list(filter(lambda prop: not prop.startswith('_'), dir(articles[0]))) # escritura del CSV with open(out_file_name, 'w+') as f: writer = csv.writer(f) writer.writerow(csv_headers) for article in articles: row = [getattr(article, prop) for prop in csv_headers] writer.writerow(row) break # prueba rápida del flujo
¿Cómo se construyen los csv headers con dir y lambda?
- Se usa dir para listar atributos disponibles de un artículo.
- Se aplica una función lambda para filtrar nombres que no inician con guion bajo.
- Se convierte el iterador en lista con list para obtener los encabezados.
¿Cómo se escriben los rows con getattr?
- Se recorre cada propiedad en csv headers.
- Se obtiene el valor con getattr(article, prop).
- Se construye un row dinámico que refleja cambios futuros en el objeto.
¿Cómo nombrar el archivo con datetime para trazabilidad?
El nombre del archivo debe dejar claro el origen y la fecha de extracción. Se sugiere incluir el news site UID, la fecha formateada y el sufijo articles.csv, separados por guion bajo.
¿Qué formato de fecha usar con String Format Time?
- Se usa la función de formato de datetime llamada String Format Time para evitar minutos, segundos y milisegundos.
- Formato recomendado: año, mes y día con guion bajo.
now = datetime.datetime.now() fecha = now.strftime('%Y_%m_%d') # ejemplo: 2024_03_15 out_file_name = f'{news_site_uid}_{fecha}_articles.csv'
¿Cómo probar rápido con break y ejecutar el script?
- Añade break tras escribir el primer artículo válido para una verificación rápida.
- Ejecuta: python main.py, selecciona el sitio (por ejemplo, “el universal”) y confirma que obtienes el primer artículo.
- Revisa el archivo generado en tu sistema con: ls la.
¿Qué prácticas hacen el código robusto ante cambios?
Un enfoque robusto minimiza cambios cuando el objeto de artículo evoluciona. Se prioriza la obtención dinámica de propiedades y la escritura genérica.
¿Por qué este enfoque es resistente?
-
Encabezados dinámicos: el CSV se adapta si el objeto cambia.
-
Lectura programática: dir, lambda, list y getattr evitan dependencias rígidas.
-
Flujo probado: un break temporal acelera la validación inicial.
-
Elimina prints de debug para pasar a persistencia real.
-
Usa with open('w+') para crear el archivo si no existe.
-
Inicializa csv.writer y escribe primero los headers con writer.writerow.
-
Itera sobre articles y construye cada row con getattr.
-
Guarda el dataset y prepárate para: detectar datos faltantes y enriquecer la información.
¿Te surgieron dudas sobre el código o el flujo de guardado? Deja tu comentario y la comunidad te apoyará.