Merge pull request #1 from guezoloic/exo1

ajout Exo1

main.py

@@ -1,12 +1,80 @@
+import requests
+from typing import Any, Dict
 from bs4 import BeautifulSoup
-import requests as rq
+import json
 
-def getsoup(s: str) -> BeautifulSoup:
-    return BeautifulSoup(rq.get(s).text, 'html.parser')
 
-soup = getsoup("https://www.millesima.fr/")
+class Scraper:
+    """
+    Scraper est une classe qui permet de gerer 
+    de façon dynamique des requetes uniquement 
+    sur le serveur https de Millesina
+    """
 
-def nimportequoi() :
+    def __init__(self):
-    links = soup.find_all('a')
+        """
-    for link in links:
+        Initialise la session de scraping et récupère la page d'accueil.
-        print(link.get('href'))         
+        """
+        # 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()
+
+    def _request(self, subdir: str, use_cache: bool = True) -> requests.Response | requests.HTTPError:
+        """
+        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).
+        """
+
+        target_url: str = f"{self._url}{subdir.lstrip("/")}"
+
+        # 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 = "/") -> BeautifulSoup:
+        """
+        Récupère le contenu HTML d'une page et le transforme en objet BeautifulSoup.
+
+        :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 subdir != None:
+            self._request(subdir)
+            self._soup = BeautifulSoup(self._response.text, "html.parser")
+        return self._soup
+
+    def get_json_data(self) -> Dict[str, Any]:
+        """
+        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 <script> pour l'hydratation côté client.
+
+        :return Dict[str, Any]: Un dictionnaire contenant les props de la page, 
+                           ou un dictionnaire vide en cas d'erreur ou d'absence.
+        """
+        script = self._soup.find("script", id="__NEXT_DATA__")
+        if script and script.string:
+            try:
+                data: dict[str, Any] = json.loads(script.string)
+                for element in ['props', 'pageProps', 'initialReduxState', 'product', 'content']:
+                    data.get(element)
+                return data
+            except json.decoder.JSONDecodeError:
+                pass
+        return {}

requirements.txt

@@ -1,2 +1,2 @@
-requests>=2.32.5
+selenium>=4.40.0
 beautifulsoup4>=4.14.3

test_main.py

@@ -1,4 +1,6 @@
 from main import *
 
+scraper = Scraper()
+
 def test_soup():
-    assert getsoup("https://example.com").find('h1').text == "Example Domain"
+    assert scraper.getsoup().find('h1').text[3:12] == "MILLESIMA"