diff --git a/main.py b/main.py index acc276a..078fa91 100644 --- a/main.py +++ b/main.py @@ -1,90 +1,132 @@ -import requests -from typing import Any, Dict -from bs4 import BeautifulSoup -import json +from sys import stderr +from typing import cast +from requests import Response, Session +from bs4 import BeautifulSoup, Tag +from json import JSONDecodeError, loads class Scraper: """ Scraper est une classe qui permet de gerer de façon dynamique des requetes uniquement - sur le serveur https de Millesina + sur le serveur https de Millesima """ - def __init__(self, subdir: str = None): + def __init__(self) -> None: """ - Initialise la session de scraping et récupère la page d'accueil. + Initialise la session de scraping. """ + self._url: str = "https://www.millesima.fr/" # Très utile pour éviter de renvoyer toujours les mêmes handshake # TCP et d'avoir toujours une connexion constante avec le server - self._session: requests.Session = requests.Session() - self._url: str = "https://www.millesima.fr/" - self._soup = self.getsoup(subdir) + self._session: Session = Session() + # Système de cache pour éviter de solliciter le serveur inutilement + self._latest_request: tuple[(str, Response | None)] = ("", None) - def _request( - self, subdir: str, use_cache: bool = True - ) -> requests.Response | requests.HTTPError: + def _request(self, subdir: str) -> Response: """ Effectue une requête GET sur le serveur Millesima. - :param subdir: Le sous-répertoire ou chemin de l'URL (ex: "/vins"). - :param use_cache: Si True, retourne la réponse précédente si l'URL est - identique. - :return: requests.Response: L'objet réponse de la requête. - :rtype: requests.HTTPError: Si le serveur renvoie un code d'erreur - (4xx, 5xx). + + Args: + subdir (str): Le sous-répertoire ou chemin de l'URL (ex: "/vins"). + + Returns: + Response: L'objet réponse de la requête. + + Raise: + HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx). """ + target_url: str = self._url + subdir.lstrip("/") + response: Response = self._session.get(url=target_url, timeout=10) + response.raise_for_status() + return response - target_url: str = f"{self._url}{subdir.lstrip('/')}" if subdir is \ - not None else self._url - # Éviter un max possible de faire des requetes au servers même - # en ayant un tunnel tcp avec le paramètre `use_cache` que si - # activer, va comparer l'url avec l'url précédant - if use_cache and hasattr(self, "_response") \ - and self._response is not None: - if self._response.url == target_url: - return self._response - - self._response: requests.Response = self._session.get( - target_url, timeout=10) - self._response.raise_for_status() - - return self._response - - def getsoup(self, subdir: str = None - ) -> BeautifulSoup | requests.HTTPError: + def getresponse(self, subdir: str = "") -> Response: """ - Récupère le contenu HTML d'une page et le transforme en objet - BeautifulSoup. + Récupère la réponse d'une page, en utilisant le cache si possible. - :param subdir: Le chemin de la page. Si None, retourne la soupe - actuelle. - :return: BeautifulSoup: L'objet parsé pour extraction de données. - :rtype: BeautifulSoup - """ - if not hasattr(self, "_soup") or subdir is not None: - self._request(subdir) - self._soup = BeautifulSoup(self._response.text, "html.parser") - return self._soup + Args: + subdir (str, optional): Le chemin de la page. - def get_json_data(self) -> Dict[str, Any]: + Returns: + Response: L'objet réponse (cache ou nouvelle requête). + + Raise: + HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx). """ - Extrait les données JSON contenues dans la balise __NEXT_DATA__ du - site. + rq_subdir, rq_response = self._latest_request + + if rq_response is None or subdir != rq_subdir: + request: Response = self._request(subdir) + self._latest_request = (subdir, request) + return request + + return rq_response + + def getsoup(self, subdir: str = "") -> BeautifulSoup: + """ + Récupère le contenu HTML d'une page et le transforme en objet BeautifulSoup. + + Args: + subdir (str, optional): Le chemin de la page. + + Returns: + BeautifulSoup: L'objet parsé pour extraction de données. + + Raise: + HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx). + """ + markup: str = self.getresponse(subdir).text + return BeautifulSoup(markup, features="html.parser") + + def getjsondata( + self, subdir: str = "", id: str = "__NEXT_DATA__" + ) -> dict[str, object]: + """ + Extrait les données JSON contenues dans la balise __NEXT_DATA__ du site. Beaucoup de sites modernes (Next.js) stockent leur état initial dans une balise + + + """ + m.get("https://www.millesima.fr/nino-negri-5-stelle-sfursat-2022.html", text=html_product) + + # on return m sans fermer le server qui simule la page + yield m -def test_getProductName(): - assert Scraper("chateau-gloria-2016.html").get_json_data()['productName']\ - == "Château Gloria 2016" +@pytest.fixture +def scraper() -> Scraper: + return Scraper() + + +def test_soup(scraper: Scraper): + h1: Tag | None = scraper.getsoup().find("h1") + + assert isinstance(h1, Tag) + assert h1.text == "MILLESIMA" + + +def test_getProductName(scraper: Scraper): + jsondata = scraper.getjsondata("nino-negri-5-stelle-sfursat-2022.html") + assert jsondata["productName"] == "Nino Negri : 5 Stelle Sfursat 2022" + assert len(jsondata["items"]) > 0 + assert jsondata["items"][0]["offerPrice"] == 390 \ No newline at end of file