ajout : moyennes des notes par appellation

.github/workflows/python-app.yml

@@ -5,41 +5,35 @@ name: Python application
 
 on:
   push:
-    branches: ["main"]
+    branches: [ "main" ]
   pull_request:
-    branches: ["main"]
+    branches: [ "main" ]
 
 permissions:
-  contents: write
+  contents: read
 
 jobs:
   build:
+
     runs-on: ubuntu-latest
 
     steps:
     - uses: actions/checkout@v4
-
     - name: Set up Python 3.10
-        uses: actions/setup-python@v4
+      uses: actions/setup-python@v3
       with:
         python-version: "3.10"
-
+    - name: Install dependencies
-      - name: install dependencies
       run: |
         python -m pip install --upgrade pip
-          pip install ".[test,doc]"
+        pip install flake8 pytest
-
+        if [ -f requirements.txt ]; then pip install -r requirements.txt; fi
     - name: Lint with flake8
       run: |
+        # stop the build if there are Python syntax errors or undefined names
         flake8 . --count --select=E9,F63,F7,F82 --show-source --statistics
+        # exit-zero treats all errors as warnings. The GitHub editor is 127 chars wide
         flake8 . --count --exit-zero --max-complexity=10 --max-line-length=127 --statistics
-
     - name: Test with pytest
-        run: pytest
-
-      - name: Deploy Doc
-        if: github.event_name == 'push' && github.ref == 'refs/heads/main'
       run: |
-          git config user.name github-actions
+        pytest
-          git config user.email github-actions@github.com
-          mkdocs gh-deploy --force

cleaning.py

@@ -0,0 +1,48 @@
+#!/usr/bin/env python3
+from pandas import DataFrame, to_numeric
+
+
+def display_info(df: DataFrame) -> None:
+    print(df.all())
+    print(df.info())
+    print("\nNombre de valeurs manquantes par colonne :")
+    print(df.isna().sum())
+
+
+def drop_empty_appellation(df: DataFrame) -> DataFrame:
+
+    return df.dropna(subset=["Appellation"])
+
+
+def mean_score(df: DataFrame, col: str) -> DataFrame:
+    """
+    Calcule la moyenne d'une colonne de score par appellation.
+        - Convertit les valeurs en numériques, en remplaçant les non-convertibles par NaN
+        - Calcule la moyenne par appellation
+        - Remplace les NaN résultants par 0 
+
+    """
+    tmp = df[["Appellation", col]].copy()
+
+    tmp[col] = to_numeric(tmp[col], errors="coerce")
+
+    # moyenne par appellation
+    means = tmp.groupby("Appellation", as_index=False)[col].mean()
+    
+    means[col] = means[col].fillna(0)
+    
+    means = means.rename(columns={col: f"mean_{col}"})
+    
+    return means
+
+
+def mean_robert(df: DataFrame) -> DataFrame:
+    return mean_score(df, "Robert")
+
+
+def mean_robinson(df: DataFrame) -> DataFrame:
+    return mean_score(df, "Robinson")
+
+
+def mean_suckling(df: DataFrame) -> DataFrame:
+    return mean_score(df, "Suckling")

docs/index.md

@@ -1 +0,0 @@
-# Millesima

docs/scraper.md

@@ -1,3 +0,0 @@
-# Scraper
-
-::: scraper.Scraper

docs/scraperdata.md

@@ -1,4 +0,0 @@
-
-# _ScraperData
-
-::: scraper._ScraperData

main.py

@@ -0,0 +1,60 @@
+#!/usr/bin/env python3
+
+from os import getcwd
+from os.path import normpath, join
+from sys import argv
+from pandas import read_csv, DataFrame
+
+from cleaning import (display_info,
+                      drop_empty_appellation,
+                      mean_robert,
+                      mean_robinson,
+                      mean_suckling)
+
+
+def load_csv(filename: str) -> DataFrame:
+    path: str = normpath(join(getcwd(), filename))
+    return read_csv(path)
+
+
+def save_csv(df: DataFrame, out_filename: str) -> None:
+    df.to_csv(out_filename, index=False)
+
+
+def main() -> None:
+    if len(argv) != 2:
+        raise ValueError(f"Usage: {argv[0]} <filename.csv>")
+
+    df = load_csv(argv[1])
+
+    print("=== Avant nettoyage ===")
+    display_info(df)
+
+    df = drop_empty_appellation(df)
+    save_csv(df, "donnee_clean.csv")
+
+    print("\n=== Après nettoyage d'appellations manquantes ===")
+    display_info(df)
+    
+    #la moyenne des notes des vins pour chaque appellation
+    robert_means = mean_robert(df)
+    save_csv(robert_means, "mean_robert_by_appellation.csv")
+    print("\n=== moyenne Robert par appellation ===")
+    print(robert_means.head(10))
+
+    robinson_means = mean_robinson(df)
+    save_csv(robinson_means, "mean_robinson_by_appellation.csv")
+    print("\n===: moyennes Robinson par appellation ===")
+    print(robinson_means.head(10))
+    
+    suckling_means = mean_suckling(df)
+    save_csv(suckling_means, "mean_suckling_by_appellation.csv")
+    print("\n===: moyennes Suckling par appellation ===")
+    print(suckling_means.head(10))
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except Exception as e:
+        print(f"ERREUR: {e}")

mkdocs.yml

@@ -1,14 +0,0 @@
-site_name: "Projet Millesima S6"
-
-theme:
-  name: "material"
-
-plugins:
-  - search
-  - mkdocstrings
-
-markdown_extensions:
-  - admonition
-  - pymdownx.details
-  - pymdownx.superfences
-  - pymdownx.tabbed

pyproject.toml

@@ -1,12 +0,0 @@
-[project]
-name = "projet-millesima-s6"
-version = "0.1.0"
-dependencies = ["requests==2.32.5", "beautifulsoup4==4.14.3", "pandas==2.3.3", "tqdm==4.67.3"]
-
-[project.optional-dependencies]
-test = ["pytest==8.4.2", "requests-mock==1.12.1", "flake8==7.3.0"]
-doc = ["mkdocs<2.0.0", "mkdocs-material==9.6.23", "mkdocstrings[python]"]
-
-[build-system]
-requires = ["setuptools", "wheel"]
-build-backend = "setuptools.build_meta"

requirements.txt

@@ -0,0 +1,6 @@
+requests==2.32.5
+requests-mock==1.12.1
+beautifulsoup4==4.14.3
+pytest==8.4.2
+requests-mock==1.12.1
+pandas==2.3.3

scraper.py

@@ -1,78 +1,32 @@
 #!/usr/bin/env python3
 
-from collections import OrderedDict
-from io import SEEK_END, SEEK_SET, BufferedWriter
-from json import JSONDecodeError, loads
-from os import makedirs
-from os.path import dirname, exists, join, normpath, realpath
-from pickle import UnpicklingError, dump, load
 from sys import argv
-from tqdm.std import tqdm
+from typing import cast
-from typing import Any, Callable, Literal, TypeVar, cast
-from bs4 import BeautifulSoup, Tag
 from requests import HTTPError, Response, Session
-
+from requests.exceptions import Timeout, ConnectionError
-_dir: str = dirname(realpath(__name__))
+import time
-
+from bs4 import BeautifulSoup, Tag
-T = TypeVar("T")
+from collections import OrderedDict
-
+from json import JSONDecodeError, loads
-
+from pathlib import Path
-def _getcache(mode: Literal["rb", "wb"], fn: Callable[[Any], T]) -> T | None:
-    """_summary_
-
-    Returns:
-        _type_: _description_
-    """
-    cache_dirname = normpath(join(_dir, ".cache"))
-    save_path = normpath(join(cache_dirname, "save"))
-
-    if not exists(cache_dirname):
-        makedirs(cache_dirname)
-
-    try:
-        with open(save_path, mode) as f:
-            return fn(f)
-    except (FileNotFoundError, EOFError, UnpicklingError):
-        return None
-
-
-def savestate(data: tuple[int, set[str]]) -> None:
-    def save(f: BufferedWriter) -> None:
-        _ = f.seek(0)
-        _ = f.truncate()
-        dump(data, f)
-        f.flush()
-
-    _getcache("wb", save)
-
-
-def loadstate() -> tuple[int, set[str]] | None:
-    return _getcache("rb", lambda f: load(f))
 
 
 class _ScraperData:
-    """
+    """_summary_"""
-    Conteneur de données spécialisé pour extraire les informations des dictionnaires JSON.
-
-    Cette classe agit comme une interface simplifiée au-dessus du dictionnaire brut
-    renvoyé par la balise __NEXT_DATA__ du site Millesima.
-    """
 
     def __init__(self, data: dict[str, object]) -> None:
-        """
+        """_summary_
-        Initialise le conteneur avec un dictionnaire de données.
 
         Args:
-            data (dict[str, object]): Le dictionnaire JSON brut extrait de la page.
+            data (dict[str, object]): _description_
         """
         self._data: dict[str, object] = data
 
     def _getcontent(self) -> dict[str, object] | None:
-        """
+        """_summary_
-        Navigue dans l'arborescence Redux pour atteindre le contenu du produit.
 
         Returns:
-            dict[str, object] | None: Le dictionnaire du produit ou None si la structure diffère.
+            dict[str, object]: _description_
         """
         current_data: dict[str, object] = self._data
         for key in ["initialReduxState", "product", "content"]:
@@ -84,11 +38,10 @@ class _ScraperData:
         return current_data
 
     def _getattributes(self) -> dict[str, object] | None:
-        """
+        """_summary_
-        Extrait les attributs techniques (notes, appellations, etc.) du produit.
 
         Returns:
-            dict[str, object] | None: Les attributs du vin ou None.
+            dict[str, object]: _description_
         """
         current_data: object = self._getcontent()
         if current_data is None:
@@ -97,13 +50,9 @@ class _ScraperData:
 
     def prix(self) -> float | None:
         """
-        Calcule le prix unitaire d'une bouteille (standardisée à 75cl).
+        Retourne le prix unitaire d'une bouteille (75cl).
 
-        Le site vend souvent par caisses (6, 12 bouteilles) ou formats (Magnum).
+        Si aucun prix n'est disponible, retourne None.
-        Cette méthode normalise le prix pour obtenir celui d'une seule unité.
-
-        Returns:
-            float | None: Le prix calculé arrondi à 2 décimales, ou None.
         """
 
         content = self._getcontent()
@@ -145,13 +94,13 @@ class _ScraperData:
         return prix_calcule
 
     def appellation(self) -> str | None:
-        """
+        """_summary_
-        Extrait le nom de l'appellation du vin.
 
         Returns:
-            str | None: Le nom (ex: 'Pauillac') ou None.
+            str: _description_
         """
         attrs: dict[str, object] | None = self._getattributes()
+
         if attrs is not None:
             app_dict: object | None = attrs.get("appellation")
             if isinstance(app_dict, dict):
@@ -159,16 +108,13 @@ class _ScraperData:
         return None
 
     def _getcritiques(self, name: str) -> str | None:
-        """
+        """_summary_
-        Méthode générique pour parser les notes des critiques (Parker, Suckling, etc.).
-
-        Gère les notes simples ("95") et les plages de notes ("95-97") en faisant la moyenne.
 
         Args:
-            name (str): La clé de l'attribut dans le JSON (ex: 'note_rp').
+            name (str): _description_
 
         Returns:
-            str | None: La note formatée en chaîne de caractères ou None.
+            str | None: _description_
         """
 
         current_value: dict[str, object] | None = self._getattributes()
@@ -187,27 +133,21 @@ class _ScraperData:
         return None
 
     def parker(self) -> str | None:
-        """Note Robert Parker."""
         return self._getcritiques("note_rp")
 
     def robinson(self) -> str | None:
-        """Note Jancis Robinson."""
         return self._getcritiques("note_jr")
 
     def suckling(self) -> str | None:
-        """Note James Suckling."""
         return self._getcritiques("note_js")
 
     def getdata(self) -> dict[str, object]:
-        """Retourne le dictionnaire de données complet."""
         return self._data
 
     def informations(self) -> str:
         """
-        Agrège les données clés pour l'export CSV.
+        Retourne toutes les informations sous la forme :
-
+        "Appelation,Parker,J.Robinson,J.Suckling,Prix"
-        Returns:
-            str: Ligne formatée : "Appellation,Parker,Robinson,Suckling,Prix".
         """
 
         appellation = self.appellation()
@@ -221,38 +161,27 @@ class _ScraperData:
 
 class Scraper:
     """
-    Client HTTP optimisé pour le scraping de millesima.fr.
+    Scraper est une classe qui permet de gerer
-
+    de façon dynamique des requetes uniquement
-    Gère la session persistante, les headers de navigation et un cache double
+    sur le serveur https de Millesima
-    pour optimiser les performances et la discrétion.
     """
 
     def __init__(self) -> None:
         """
-        Initialise l'infrastructure de navigation:
+        Initialise la session de scraping.
-
-         - créer une session pour éviter de faire un handshake pour chaque requête
-         - ajout d'un header pour éviter le blocage de l'accès au site
-         - ajout d'un système de cache
         """
         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: Session = Session()
-        # Crée une "fausse carte d'identité" pour éviter que le site nous
+        self._session.headers.update({
-        # bloque car on serait des robots
+            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
-        self._session.headers.update(
+                        "AppleWebKit/537.36 (KHTML, like Gecko) "
-            {
+                        "Chrome/122.0.0.0 Safari/537.36",
-                "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) \
-                     AppleWebKit/537.36 (KHTML, like Gecko) \
-                     Chrome/122.0.0.0 Safari/537.36",
             "Accept-Language": "fr-FR,fr;q=0.9,en;q=0.8",
-            }
+        })
-        )
         # Système de cache pour éviter de solliciter le serveur inutilement
-        # utilise pour _request
         self._latest_request: tuple[(str, Response)] | None = None
-        # utilise pour getsoup
         self._latest_soups: OrderedDict[str, BeautifulSoup] = OrderedDict[
             str, BeautifulSoup
         ]()
@@ -267,14 +196,24 @@ class Scraper:
         Returns:
             Response: L'objet réponse de la requête.
 
-        Raises:
+        Raise:
             HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx).
         """
         target_url: str = self._url + subdir.lstrip("/")
-        # envoyer une requête GET sur la page si erreur, renvoie un raise
+        
+        last_exc: Exception | None = None
+        for attempt in range(1, 4):
+            try:
                 response: Response = self._session.get(url=target_url, timeout=30)
                 response.raise_for_status()
                 return response
+            except (Timeout, ConnectionError) as e:
+                last_exc = e
+                print(f"Timeout/ConnectionError ({attempt}/3) sur {target_url}: {e}")
+                time.sleep(2 * attempt)  # 2s, 4s, 6s
+
+        # après 3 essais, on abandonne
+        raise last_exc if last_exc else RuntimeError("Request failed")
 
     def getresponse(self, subdir: str = "", use_cache: bool = True) -> Response:
         """
@@ -288,7 +227,7 @@ class Scraper:
         Returns:
             Response: L'objet réponse (cache ou nouvelle requête).
 
-        Raises:
+        Raise:
             HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx).
         """
 
@@ -318,7 +257,7 @@ class Scraper:
         Returns:
             BeautifulSoup: L'objet parsé pour extraction de données.
 
-        Raises:
+        Raise:
             HTTPError: Si le serveur renvoie un code d'erreur (4xx, 5xx).
         """
 
@@ -339,20 +278,23 @@ class Scraper:
     def getjsondata(self, subdir: str, id: str = "__NEXT_DATA__") -> _ScraperData:
         """
         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.
 
         Args:
             subdir (str): Le chemin de la page.
-            id (str, optional): L'identifiant de la balise script.
+            id (str, optional): L'identifiant de la balise script (par défaut __NEXT_DATA__).
 
         Raises:
-            HTTPError: Erreur renvoyée par le serveur (4xx, 5xx).
+            HTTPError: Soulevée par `getresponse` si le serveur renvoie un code d'erreur (4xx, 5xx).
-            JSONDecodeError: Si le contenu de la balise n'est pas un JSON valide.
+            JSONDecodeError: Soulevée par `loads` si le contenu de la balise n'est pas un JSON valide.
-            ValueError: Si les clés 'props' ou 'pageProps' sont absentes.
+            ValueError: Soulevée manuellement si l'une des clés attendues (props, pageProps, etc.)
+                        est absente de la structure JSON.
 
         Returns:
-            _ScraperData: Instance contenant les données extraites.
+            dict[str, object]: Un dictionnaire contenant les données utiles
+                                 ou un dictionnaire vide en cas d'erreur.
         """
-
         soup: BeautifulSoup = self.getsoup(subdir)
         script: Tag | None = soup.find("script", id=id)
 
@@ -369,116 +311,117 @@ class Scraper:
 
         return _ScraperData(cast(dict[str, object], current_data))
 
-    def _geturlproductslist(self, subdir: str) -> list[dict[str, Any]] | None:
+    def _geturlproductslist(self, subdir: str):
-        """
+        """_summary_
-        Récupère la liste des produits d'une page de catégorie.
+
+        Args:
+            subdir (str): _description_
+
+        Returns:
+            _type_: _description_
         """
         try:
             data: dict[str, object] = self.getjsondata(subdir).getdata()
 
             for element in ["initialReduxState", "categ", "content"]:
-                data = cast(dict[str, object], data.get(element))
+                data: dict[str, object] = cast(dict[str, object], data.get(element))
-
+                if not isinstance(data, dict):
-            products: list[dict[str, Any]] = cast(
+                    return None
-                list[dict[str, Any]], data.get("products")
-            )
 
+            products: list[str] = cast(list[str], data.get("products"))
             if isinstance(products, list):
                 return products
 
         except (JSONDecodeError, HTTPError):
             return None
 
-    def _writevins(self, cache: set[str], product: dict[str, Any], f: Any) -> None:
+    def _save_progress(self, page: int, i: int, last_link: str) -> None:
+        Path("progress.txt").write_text(f"{page},{i},{last_link}", encoding="utf-8")
+
+
+    def _load_progress(self) -> tuple[int, int, str | None]:
+        p = Path("progress.txt")
+        if not p.exists():
+            return (1, 0, None)
+
+        try:
+            parts = p.read_text(encoding="utf-8").strip().split(",", 2)
+
+            page = int(parts[0])
+            i = int(parts[1])
+
+            last_link = parts[2] if len(parts) == 3 and parts[2] != "" else None
+            return (page, i, last_link)
+
+        except Exception:
+            return (1, 0, None)
+        
+    def getvins(self, subdir: str, filename: str):
         """_summary_
 
         Args:
-            cache (set[str]): _description_
+            subdir (str): _description_
-            product (dict): _description_
+            filename (str): _description_
-            f (Any): _description_
         """
-        if isinstance(product, dict):
+        start_page, start_i, last_link = self._load_progress()
-            link: Any | None = product.get("seoKeyword")
+        print(f"__INFO__ Reprise à page={start_page}, index={start_i}, last_link={last_link}")
-            if link and link not in cache:
-                try:
-                    infos = self.getjsondata(link).informations()
-                    _ = f.write(infos + "\n")
-                    cache.add(link)
-                except (JSONDecodeError, HTTPError) as e:
-                    print(f"Erreur sur le produit {link}: {e}")
         
-    def getvins(self, subdir: str, filename: str, reset: bool = False) -> None:
+        with open(filename, "a", encoding="utf-8") as f:
-        """
-        Scrape  toutes les pages d'une catégorie et sauvegarde en CSV.
-
-        Args:
-            subdir (str): La catégorie (ex: '/vins-rouges').
-            filename (str): Nom du fichier de sortie (ex: 'vins.csv').
-            reset (bool): (Optionnel) pour réinitialiser le processus.
-        """
-        # mode d'écriture fichier
-        mode: Literal["w", "a+"] = "w" if reset else "a+"
-        # titre
-        title: str = "Appellation,Robert,Robinson,Suckling,Prix\n"
-        # page du début
-        page: int = 1
-        # le set qui sert de cache
             cache: set[str] = set[str]()
             
-        custom_format = "{l_bar} {bar:20} {r_bar}"
+            if f.tell() == 0:
+                _ = f.write("Appellation,Robert,Robinson,Suckling,Prix\n")
                 
-        if not reset:
+            page = start_page - 1
-            # appelle la fonction pour load le cache, si il existe
-            # pas, il utilise les variables de base sinon il override
-            # toute les variables pour continuer et pas recommencer le
-            # processus en entier.
-            serializable: tuple[int, set[str]] | None = loadstate()
-            if isinstance(serializable, tuple):
-                # override la page et le cache
-                page, cache = serializable
-        try:
-            with open(filename, mode) as f:
-                # check si le titre est bien présent au début du buffer
-                # sinon il l'ecrit, petit bug potentiel, a+ ecrit tout le
-                # temps a la fin du buffer, si on a ecrit des choses avant
-                # le titre sera apres ces données mais on part du principe
-                # que personne va toucher le fichier.
-                _ = f.seek(0, SEEK_SET)
-                if not (f.read(len(title)) == title):
-                    _ = f.write(title)
-                else:
-                    _ = f.seek(0, SEEK_END)
             
             while True:
-                    products_list: list[dict[str, Any]] | None = (
+                page += 1
-                        self._geturlproductslist(f"{subdir}?page={page}")
+                products_list = self._geturlproductslist(f"{subdir}?page={page}")
-                    )
+
                 if not products_list:
                     break
 
-                    pbar: tqdm[dict[str, Any]] = tqdm(
+                products_list_length = len(products_list)
-                        products_list, bar_format=custom_format
+                start_at = start_i if page == start_page else 0
-                    )
+
-                    for product in pbar:
+                for i in range(start_at, products_list_length):
-                        keyword = product.get("seoKeyword", "Inconnu")[:40]
+                    product = products_list[i]
-                        pbar.set_description(
+                    if not isinstance(product, dict):
-                            f"Page: {page:<3} | Product: {keyword:<40}"
+                        continue
-                        )
+
-                        self._writevins(cache, product, f)
+                    link = product.get("seoKeyword")
-                    page += 1
+                    if not link:
-        except (Exception, HTTPError, KeyboardInterrupt, JSONDecodeError):
+                        continue
-            if not reset:
+
-                savestate((page, cache))
+                    # pour eviter les doublons :
+                    if (page == start_page) and (last_link is not None) and (link == last_link):
+                        self._save_progress(page, + 1, link)
+                        continue
+
+                    self._save_progress(page, i + 1, link)
+
+                    if link in cache:
+                        continue
+
+                    try:
+                        infos = self.getjsondata(link).informations()
+                        _ = f.write(infos + "\n")
+                        print(f"page: {page} | {i + 1}/{products_list_length} {link}")
+                        cache.add(link)
+
+                    except (JSONDecodeError, HTTPError) as e:
+                        print(f"Erreur sur le produit {link}: {e}")
+
+                f.flush()
+
+        Path("progress.txt").unlink(missing_ok=True)
 
 
 def main() -> None:
-    if len(argv) != 3:
+    if len(argv) != 2:
-        raise ValueError(f"{argv[0]} <filename> <sous-url>")
+        raise ValueError(f"{argv[0]} <sous-url>")
-    filename = argv[1]
-    suburl = argv[2]
-
     scraper: Scraper = Scraper()
-    scraper.getvins(suburl, filename)
+    scraper.getvins(argv[1], "donnee.csv")
 
 
 if __name__ == "__main__":

test_scraper.py

@@ -319,7 +319,7 @@ def test_informations(scraper: Scraper):
 def test_search(scraper: Scraper):
     m = mock_open()
     with patch("builtins.open", m):
-        scraper.getvins("wine.html", "fake_file.csv", True)
+        scraper.getvins("wine.html", "fake_file.csv")
 
     assert m().write.called
     all_writes = "".join(call.args[0] for call in m().write.call_args_list)