local: tech_news/scraper.py

Antes de fazer scrape, precisamos de uma página! Esta função será responsável por fazer a requisição HTTP ao site e obter o conteúdo HTML. Alguns cuidados deverão ser tomados: como a função poderá ser utilizada várias vezes em sucessão, a implementação respeita o Rate Limit.

• A função recebe uma URL
• A função efetua uma requisição HTTP get para esta URL utilizando a função requests.get
• A função retorna o conteúdo HTML da resposta.
• A função respeita um Rate Limit de 1 requisição por segundo; Ou seja, caso chamada múltiplas vezes, ela deve aguardar 1 segundo entre cada requisição que fizer. Dica: Uma forma simples de garantir que cada requisição seja feita com um intervalo mínimo de um segundo é utilizar time.sleep(1) antes de cada requisição. (Existem outras formas mais eficientes.)
• Caso a requisição seja bem sucedida com Status Code 200: OK, deve ser retornado em seu conteúdo de texto;
• Caso a resposta tenha o código de status diferente de 200, é retornado None;
• Caso a requisição não receba resposta em até 3 segundos, ela é abandonada (este caso é conhecido como "Timeout"), com isso retornando None.

📌 É preciso definir o header user-agent para que a raspagem do blog da Trybe funcione corretamente. Com isso, foi preenchido com o valor "Fake user-agent" conforme exemplo abaixo:

{ "user-agent": "Fake user-agent" }

local: tech_news/scraper.py

Agora no proximo passo precisamos de links para várias páginas de notícias. Estes links estão contidos na página inicial do blog da Trybe (https://blog.betrybe.com).

Esta função fará o scrape da página Novidades para obter as URLs das páginas de notícias. Com isso, foi utilizado a biblioteca Parsel, para obter os dados que queremos de cada página.

• A função recebe uma string com o conteúdo HTML da página inicial do blog.
• A função faz o scrape do conteúdo recebido para obter uma lista contendo as URLs das notícias listadas.
• A função retorna uma lista.
• Caso não encontre nenhuma URL de notícia, a função retorna uma lista vazia.

local: tech_news/scraper.py

Para buscar mais notícias, é preciso fazer a paginação, e para isto, precisamos do link da próxima página. Esta função é responsável por fazer o scrape deste link.

• A função recebe como parâmetro uma string contendo o conteúdo HTML da página de novidades (https://blog.betrybe.com)
• A função faz o scrape deste HTML para obter a URL da próxima página.
• A função retorna a URL obtida.
• Caso não encontre o link da próxima página, a função retorna None

local: tech_news/scraper.py

Agora é a hora de fazer o scrape dos dados que procuramos!

• A função recebe como parâmetro o conteúdo HTML da página de uma única notícia

• A função com o conteúdo recebido, buscar as informações das notícias para preencher um dicionário com os seguintes atributos:

  • url - link para acesso da notícia.
  • title - título da notícia.
  • timestamp - data da notícia, no formato dd/mm/AAAA.
  • writer - nome da pessoa autora da notícia.
  • comments_count - número de comentários que a notícia recebeu.
    • Se a informação não for encontrada, salve este atributo como 0 (zero)
  • summary - o primeiro parágrafo da notícia.
  • tags - lista contendo tags da notícia.
  • category - categoria da notícia.

• Exemplo de um retorno da função com uma notícia fictícia:

{
  "url": "https://blog.betrybe.com/novidades/noticia-bacana",
  "title": "Notícia bacana",
  "timestamp": "04/04/2021",
  "writer": "Eu",
  "comments_count": 4,
  "summary": "Algo muito bacana aconteceu",
  "tags": ["Tecnologia", "Esportes"],
  "category": "Ferramentas",
}

local: tech_news/scraper.py

Com estas ferramentas prontas, podemos agora fazer um scraper mais robusto com a paginação.

• A função recebe como parâmetro um número inteiro n e buscar as últimas n notícias do site.
• É utilizado as funções fetch, scrape_novidades, scrape_next_page_link e scrape_noticia para buscar as notícias e processar seu conteúdo.
• As notícias buscadas devem ser inseridas no MongoDB;
• Após inserir as notícias no banco, a função retorna estas mesmas notícias.

Caso queira instalar e rodar o servidor MongoDB nativo na máquina, siga as instruções no tutorial oficial: Ubuntu: https://docs.mongodb.com/manual/tutorial/install-mongodb-on-ubuntu/
MacOS: https://docs.mongodb.com/guides/server/install/

Com o banco de dados rodando, o nosso módulo conseguirá acessá-lo sem problemas.

local: tech_news/analyzer/search_engine.py

Agora que temos o meios de popular o banco de dados com notícias, Agora para o proximo passo foi feito a funcionalidade de busca.

• A função recebe uma string com um título de notícia
• A função efetua a buscar das notícias do banco de dados por título
• A função retorna uma lista de tuplas com as notícias encontradas nesta busca. Exemplo:

[
  ("Título1_aqui", "url1_aqui"),
  ("Título2_aqui", "url2_aqui"),
  ("Título3_aqui", "url3_aqui"),
]

• Caso nenhuma notícia seja encontrada, a função retornar uma lista vazia.

local: tech_news/analyzer/search_engine.py

Esta função irá buscar as notícias do banco de dados por data.

• A função recebe como parâmetro uma data no formato ISO AAAA-mm-dd
• A função busca as notícias do banco de dados por data.
• A função retorna no mesmo formato do requisito anterior.
• Caso a data seja inválida, ou esteja em outro formato, uma exceção ValueError é lançada com a mensagem Data inválida.
• Caso nenhuma notícia seja encontrada, a função retorna uma lista vazia.

local: tech_news/analyzer/search_engine.py

Esta função irá buscar as notícias por tag.

• A função recebe como parâmetro o nome da tag completo.
• A função busca as notícias do banco de dados por tag.
• A função retorna no mesmo formato do requisito anterior.
• Caso nenhuma notícia seja encontrada, a função retorna uma lista vazia.

local: tech_news/analyzer/search_engine.py

Esta função irá buscar as notícias por categoria.

• A função recebe como parâmetro o nome da categoria completo.
• A função busca as notícias do banco de dados por categoria.
• A função retorna no mesmo formato do requisito anterior.
• Caso nenhuma notícia seja encontrada, a função retorna uma lista vazia.