Introducción al Web Scraping No es necesario ser un desarrollador web experto para hacer web scraping, pero sí es fundamental conocer conceptos básicos como HTML, que es el lenguaje utilizado para estructurar el contenido de una página web.
Importancia del HTML y el DOM El HTML define la estructura de una página. Mediante el modelo DOM (Document Object Model), se puede acceder a etiquetas específicas y extraer información relevante.
Estructura básica de una página HTML El HTML incluye elementos como el HEAD (metadatos, título, configuraciones) y el BODY (contenido principal). Algunas etiquetas comunes son H1 para títulos, H2 para subtítulos, P para párrafos y DIV para contenedores.
Identificación de contenedores en un e-commerce En el caso de una tienda online, cada producto suele estar contenido en un DIV con una clase específica, como "Product", que incluye título, imagen y precio.
Uso de BeautifulSoup para parsear HTML Se hace una petición GET para obtener el HTML, y luego se utiliza BeautifulSoup para convertir ese texto en una estructura navegable. Esto permite acceder a las etiquetas deseadas de manera eficiente.
Extracción del título de la página web
Usando el método find de BeautifulSoup, se busca la etiqueta <title> dentro del HEAD y se utiliza get_text() para extraer solo el texto. Si hay espacios sobrantes, se eliminan con strip().
Identificación del contenido mediante herramientas de desarrollo Para encontrar contenedores específicos, se pueden usar herramientas de desarrollo del navegador, como el inspector de elementos. Esto ayuda a ubicar la clase o DIV que contiene el texto que se desea extraer.
Filtrado por clases específicas
Se puede usar find o especificando la etiqueta (por ejemplo, ) y la clase deseada para localizar elementos específicos, como el contenedor de un título.
