Асинхронный парсер документов PEP на базе фреймворка Scrapy, собирающий данные о PEP с сайта https://www.python.org/. С каждой страницы PEP парсер собирает номер, название, статус и сохраняет два файла в формате .csv в папке results/....

• В первый файл сохраняет список всех PEP: номер, название и статус. Во второй файл подсчитывает общее количество каждого статуса и сумму всех статусов. В последней строке файла в колонке «Статус» общее количество всех документов.
• Метод паука parse() собирает ссылки на документы PEP. Метод parse_pep() парсит страницы с документами и формирует Items. При парсинге применены CSS- и XPath-селекторы. Для создания Items описан класс PepParseItem.
• Файлы со списком PEP именованы по маске pep_ДатаВремя.csv. Файлы со сводкой по статусам именованы по маске status_summary_ДатаВремя.csv.

• Python — высокоуровневый язык программирования.
• Scrapy — популярный фреймворк для парсинга веб сайтов. Особенности:
  • Многопоточность
  • Веб-краулер для перехода от ссылки к ссылке
  • Извлечение данных
  • Проверка данных
  • Сохранение в другой формат/базу данных
• XPath — язык запросов к элементам XML-документа.
• CSS - Cascading Style Sheets, каскадные таблицы стилей.
• Pytest — среда тестирования, основанная на Python.

Клонировать репозиторий и перейти в него в командной строке:

git clone [email protected]:SemenovY/scrapy_parser_pep

Создать и активировать виртуальное окружение:

python3 -m venv env

source env/bin/activate

Установить зависимости из файла requirements.txt:

python3 -m pip install --upgrade pip

pip install -r requirements.txt

scrapy crawl pep

• Python 3.9
• Scrapy

Над проектом работал:

• Семёнов Юрий | GitHub: SemenovY | Python developer.