-
Notifications
You must be signed in to change notification settings - Fork 0
/
Scrapper.py
168 lines (136 loc) · 7.08 KB
/
Scrapper.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
import time
import logging
import argparse
import requests
import pandas as pd
from bs4 import BeautifulSoup
from pathlib import Path
from stem import Signal
from stem.control import Controller
# Logger untuk mencatat proses scraping
logger = logging.getLogger("gsmarena-scraper")
# Kelas untuk menangani koneksi melalui jaringan Tor
class tor_network:
def __init__(self):
# Membuat sesi HTTP yang menggunakan proxy Tor (port 9050)
self.session = requests.session()
self.session.proxies = {
"http": "socks5h://localhost:9050",
"https": "socks5h://localhost:9050",
}
# Variabel untuk menghitung jumlah percobaan koneksi
self.ntries = 0
# Fungsi untuk mengambil konten dari sebuah URL dalam bentuk soup
def get_soup(self, url):
while True:
try:
# Mencoba mengambil konten dari URL
self.ntries += 1
soup = BeautifulSoup(
self.session.get(url).content, features="lxml"
)
# Jika ada respons "Too Many Requests", ganti IP Tor
if soup.find("title").text.lower() == "too many requests":
logger.info(f"Too many requests.")
self.request_new_ip()
# Jika konten berhasil didapatkan atau percobaan sudah melebihi 30 kali
elif soup or self.ntries > 30:
self.ntries = 0
break
# Catat percobaan yang gagal
logger.debug(f"Try {self.ntries} : Problem with soup for {url}.")
except Exception as e:
# Jika ada error, ganti IP dan coba lagi
logger.debug(f"Can't extract webpage {url}.")
self.request_new_ip()
return soup
# Fungsi untuk meminta IP baru dari jaringan Tor
def request_new_ip(self):
logger.info("Requesting new IP address.")
# Terhubung ke Tor Controller pada port 9051 dan mengirim sinyal NEWNYM untuk mengganti IP
with Controller.from_port(port=9051) as controller:
controller.authenticate(password="my password") # Autentikasi dengan password
controller.signal(Signal.NEWNYM) # Mengganti IP
# Memperbarui sesi HTTP dengan proxy yang baru
self.session = requests.session()
self.session.proxies = {
"http": "socks5h://localhost:9050",
"https": "socks5h://localhost:9050",
}
self.ntries = 0
# Fungsi untuk mengekstrak informasi smartphone dari sebuah elemen HTML
def extract_smartphone_infos(network, smartphone):
# Dictionary untuk menyimpan informasi smartphone
smartphone_dict = dict()
# Mengambil URL dari elemen <a> dan membentuk URL lengkap
smartphone = smartphone.find("a")
url_smartphone = f"https://www.gsmarena.com/{str(smartphone['href'])}"
logger.debug("url_smartphone : %s", url_smartphone)
# Mengambil URL gambar smartphone
smartphone_dict["Image"] = str(smartphone.find("img")["src"])
# Mendapatkan konten halaman smartphone dengan Tor
soup_smartphone = network.get_soup(url_smartphone)
# Mengosongkan memori dari soup yang tidak diperlukan
soup_smartphone.decompose()
# Mengembalikan informasi smartphone sebagai dictionary
return smartphone_dict
# Fungsi untuk mengekstrak nama brand dari URL
def extract_brand_name(url_brand_index):
# Memisahkan URL berdasarkan tanda "-" dan "/"
parts = url_brand_index.split('-')
# Mengambil bagian terakhir dari URL yang merupakan nama brand
name = parts[0].split('/')[-1]
return name
# Fungsi untuk mengekstrak informasi smartphone dari setiap halaman brand
def extract_phone_brand_infos(network, url_brand_index):
index_page = 1 # Nomor halaman yang akan diproses
url_split = url_brand_index.rsplit("-", 1) # Memisahkan URL berdasarkan tanda "-"
brand_name = url_split[0].split("/")[-1] # Mendapatkan nama brand dari URL
brand_id = url_split[1].split(".")[0] # Mendapatkan ID brand dari URL
logger.info(f"Processing brand {brand_name}") # Mencatat proses brand
brand_page_base = f"https://www.gsmarena.com/{brand_name}-f-{brand_id}-0" # URL dasar untuk setiap halaman brand
smartphone_list = [] # List untuk menyimpan informasi semua smartphone
while True:
# Membentuk URL untuk setiap halaman
url_brand_page = f"{brand_page_base}-p{index_page}.php"
logger.debug(url_brand_page)
index_page += 1
# Mendapatkan konten halaman brand
soup_page = network.get_soup(url_brand_page)
logger.debug(f"Page URL : {url_brand_page}")
# Memeriksa apakah halaman memiliki list smartphone
if soup_page.find("div", {"class": "section-body"}).select("li"):
smartphones = soup_page.find("div", {"class": "section-body"}).find_all("li")
soup_page.decompose()
# Mengekstrak informasi untuk setiap smartphone
for smartphone in smartphones:
smartphone_dict = extract_smartphone_infos(network, smartphone)
smartphone_list.append(smartphone_dict) # Menambahkan ke list smartphone
else:
soup_page.decompose()
logger.error("%s : seharusnya sudah selesai", url_brand_page)
return smartphone_list # Mengembalikan list smartphone
# Fungsi utama untuk menjalankan proses scraping
def main():
network = tor_network() # Inisialisasi koneksi melalui jaringan Tor
url_brand_index = input('Input brand URL : ') # Meminta input URL brand dari pengguna
# Ekstrak nama brand dari URL
brand_name = extract_brand_name(url_brand_index)
# Membuat direktori untuk menyimpan hasil jika belum ada
Path("Exports").mkdir(parents=True, exist_ok=True)
global_list_smartphones = pd.DataFrame() # DataFrame global untuk menyimpan semua smartphone
# Menjalankan fungsi untuk mengekstrak informasi smartphone dari brand URL
smartphone_list = extract_phone_brand_infos(network, url_brand_index)
# Mengonversi list smartphone menjadi DataFrame
phone_dict = pd.DataFrame.from_records(smartphone_list)
# Menambahkan ke DataFrame global
global_list_smartphones = pd.concat([global_list_smartphones, phone_dict], sort=False).drop_duplicates()
# di filter biar gak ada gif di dalam csv nya, jadi cuma jpg doang
global_list_smartphones = global_list_smartphones[~global_list_smartphones.apply(lambda row: row.astype(str).str.contains('.gif').any(), axis=1)]
# Menyimpan DataFrame global ke file CSV dengan nama sesuai brand
global_export_file = f"Exports/{brand_name}.csv"
#di save ke csv
global_list_smartphones.to_csv(global_export_file, sep=";", index=False)
logger.info(f"All data has been saved to {global_export_file}") # Mencatat bahwa data telah disimpan
if __name__ == "__main__":
main() # Memanggil fungsi utama ketika script dijalankan