Comment scraper la liste de tous les matchs de la Coupe du Monde 2018 sur l’Equipe avec Python et Selenium

Arrêtez de copier le net. Scrapez le.

 

Comment scraper la liste de tous les matchs de la Coupe du Monde 2018 sur l’Equipe avec Python et Selenium

lequipe_scraping_frontpic

La coupe du monde approche. Avec elle, les soirées arrosées de la fin de l’été, les stars mondiales ovationnées, les frappes de Cristiano Ronaldo ou du terrible Paul Pogba, et la ferveur de tout un pays, qui, rivé devant son écran de télévision, accompagne chaque sprint d’un cri d’espoir enflammé. Mais comment avoir facilement accès à l’ensemble des données d’une coupe du monde : la chaîne, le groupe, le pays, l’heure ? Voilà ce que nous allons voir aujourd’hui, grâce à Python et Selenium.

Le site de référence sportive L’Equipe, 1er journal par le volume de diffusion en France, offre dès à présent une liste de tous les matchs à venir, classés par date et par groupe. Nous allons aujourd’hui récupérer les données de cette liste, avant de l’enregistrer dans un fichier CSV.

Quelle donnée allons nous extraire ?

Rendons-nous d’abord sur la page avec l’ensemble des dates à venir : https://www.lequipe.fr/Football/Coupe-du-monde/Saison-2018/calendrier-resultats.html. Voici les champs que nous allons extraire :

  1. Jour
  2. Groupe
  3. Ville
  4. Nation 1
  5. Nation 2
  6. Heure
  7. Chaînes télé concernées

Et maintenant, un screenshot afin de visualiser la présence de chaque élément dans le site web :

scraping_lequipe_python_selenium_1

Trouvez la donnée

Avant de commencer à construire le scraper, nous devons trouver où les données sont présentes dans les balises HTML de la page Web. Il faut connaître le fonctionnement des balises HTML de la page pour pouvoir faire ça.

Nous allons supposer que vous avez déjà des bases en HTML et que vous connaissez le langage Python. Vous n’avez pas besoin de plus de connaissances pour réaliser ce tutoriel.

Si vous ne connaissez ni le HTML, ni le CSS, ni le Python, prenez le temps de lire Premiers pas avec HTML – Mozilla Developer Network, Tutoriel CSS W3 School, et https://www.programiz.com/python-programming

Nous allons inspecter le code HTML de la page Web et localiser les données, en suivant la logique suivante :

  1. Inspecter l’élément
  2. Trouver la balise correspondante

 Inspecter l’HTML

Ouvrez votre navigateur Chrome, et rendez-vous sur le site de l’Equipe, à l’adresse évoquée plus haut : https://www.lequipe.fr/Football/Coupe-du-monde/Saison-2018/calendrier-resultats.html. Vous pouvez le faire avec d’autres navigateurs, mais ce tutoriel se fait sur Chrome, et facilitera votre apprentissage.

Faites, un clique droit, puis cliquer sur Inspecter.

scraping_lequipe_python_selenium2

Nous allons maintenant chercher le tag CSS de chaque élément, avant de lancer notre scraper. Pour faciliter la recherche, cliquer sur le curseur en bas à gauche. Passez ensuite votre souris sur les éléments que nous avons cités en introduction.

En passant légèrement votre souris sur chacun des éléments évoqués en introduction, vous retrouverez les classes suivantes associées :

  • Jour : div.title > div
  • Groupe : td.date > strong
  • Ville : td.date > span
  • Nation 1 : td.domicile.equipe1 > a
  • Nation 2 : td.exterieur.rencontre2 > a
  • Heure : span.heurematch
  • Chaînes télé concernées : td.diffuseur > span

Comment configurer son ordinateur pour le Web Scraping

Nous allons utiliser Python 3 pour ce tutoriel. Pour commencer, vous avez besoin d’un ordinateur avec Python 3 et PIP installé dedans.

La plupart des systèmes d’exploitation UNIX comme Linux et Mac OS sont livrés avec Python déjà installé. Mais, tous les systèmes d’exploitation Linux ne sont pas livrés avec Python 3 par défaut.

Vérifions votre version de python. Ouvrez un terminal (sous Linux et Mac OS) ou Invite de commandes (sous Windows) et tapez

Si vous n’avez pas Python 3, il va falloir l’installer.

Installer Python et Selenium

Pour installer Python et PIP, vous pouvez vous rendre sur le post que nous avons déjà fait à ce sujet : https://lobstr.io/index.php/2018/02/15/installer-librairies-python-mac-os/

Pour installer Selenium, il suffit d’ouvrir votre commande, et de

Pour plus de renseignements sur Selenium et ses fonctionnalités avec Python, leur documentation est fournie et très utile : http://selenium-python.readthedocs.io/index.html

Le code

Pour exécuter le script, ouvrez votre éditeur Sublime Text 3, copier-coller le code ci contre, et enregistrez le sous le nom de senscritique_extract.py. Si vous ne savez pas comment l’installer, rendez-vous ici : https://lobstr.io/index.php/2018/02/08/comment-pourquoi-installer-sublim-text/

Dans votre commande, placez ensuite la ligne suivante :

Un navigateur va directement s’ouvrir, et vous pourrez observer, sous vos yeux ébahis, la collecte de données. C’est spectaculaire.

Du côté de votre console, voilà également ce qui devrait apparaître. Pour chaque  » — SUCCESS — » c’est un élément de la liste qui est enregistré dans le fichier CSV.

Vous devriez retrouver dans le même dossier que le dossier où se trouve le script, un fichier .csv, nommé lequipe_coupedumonde.csv. Une fois ouvert, et formaté sur excel, vous obtiendrez un fichier .xls comme suit :

lequipe_scraping_photo2

Vous pouvez également télécharger le code sur notre Github, à l’adresse suivante : https://gist.github.com/Lobstrio/6a34c926f1c89c4d5ca014e4a7467159. N’hésitez pas à nous indiquer dans les commentaires, ou sur le github, si le script fonctionne bien chez vous aussi.

Limitations connues

Le script permet de collecter les données, et de les enregistrez au format .csv. Toutefois, vous ne pourrez récolter que les données de la page de coupe du monde, tandis que d’autres données (précédentes confrontations entre les équipes, titulaires de chaque équipe, commentaires) ne seront pas récoltées.

Si vous avez besoin d’aide pour scraper des milliers de données de façon récurrente et à grande échelle, vous pouvez nous contacter via le formulaire ci-dessous :

Avertissement: Tout code fourni dans nos tutoriels est destiné à des fins d’illustration et d’apprentissage uniquement. Nous ne sommes pas responsables de la façon dont il est utilisé et n’assumons aucune responsabilité pour toute utilisation préjudiciable du code source. La simple présence de ce code sur notre site n’implique pas que nous encourageons le scraping ou l’extraction de données des sites référencés dans le code et le tutoriel qui l’accompagne. Les tutoriels ne font qu’illustrer la technique de programmation des scrapers web pour les sites internet populaires. Nous ne sommes pas obligés de fournir un support pour le code, cependant, si vous ajoutez vos questions dans la section des commentaires, nous pouvons vous y répondre périodiquement.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *