Conteúdos

• Objetivos da Lição
• Sobre URLs
• Acessando URLs com Python
• Salvando uma cópia local da página
• Leitura Sugerida
• Sincronização do Código

Objetivos da Lição

Esta lição apresenta o conceito de Localizador Uniforme de Recursos (URL em inglês) e explica como usar o Python para fazer o download de uma página Web no seu disco local.

Sobre URLs

Uma página Web é um ficheiro hospedado noutro computador, conhecido como servidor. Quando um site é acessado, na realidade, o seu computador (o cliente) envia um pedido ao servidor de hospedagem por meio da rede e o servidor responde enviando uma cópia da página ao seu computador. Uma forma de acessar uma página por meio do seu navegador é seguir um link. É possível também colar ou digitar uma URL (localizador uniforme de recursos) diretamente no seu navegador. A URL informa ao seu navegador onde encontrar um recurso online, especificando o servidor, o diretório e o nome do ficheiro a ser recuperado, bem como o tipo de protocolo que o servidor e o seu navegador utilizarão para troca de informações (como o HTTP, protocolo de transferência de hipertexto). A estrutura básica de uma URL é

protocol://host:port/path?query

Vejamos alguns exemplos:

http://oldbaileyonline.org

O tipo mais básico de URL especifica apenas o protocolo e o domínio. Quando inserido em seu navegador, essa URL retornará a página principal do site Old Bailey Online. O pressuposto convencional é que a página principal num determinado diretório se chamará index, geralmente index.html.

A URL pode incluir também um número de porta opcional. Sem entrar em muitos detalhes, o protocolo de rede em que se baseia a troca de informações na Internet permite que computadores se conectem de diferentes maneiras. Números de portas são utilizados para distinguir esses diferentes tipos de conexão. Uma vez que a porta padrão para HTTP é a 80, a seguinte URL é equivalente à anterior.

http://oldbaileyonline.org:80

Geralmente há diversas páginas Web num determinado site. Essas páginas são armazenadas em diretórios no servidor e é possível especificar o caminho para uma página em particular. A página “About” para o site The Old Bailey Online tem a seguinte URL:

http://oldbaileyonline.org/static/Project.jsp

Por fim, algumas páginas permitem inserir queries, termo em inglês que significa pedido, solicitação. O site The Old Bailey Online, por exemplo, foi desenvolvido de forma que é possível requisitar uma de suas páginas utilizando uma query string (conjunto de caracteres que contém uma solicitação). A seguinte URL acessará uma página de resultado de buscas por registros de julgamentos criminais contendo a palavra “arsenic”.

https://www.oldbaileyonline.org/search.jsp?form=searchHomePage&_divs_fulltext=arsenic&kwparse=and&_persNames_surname=&_persNames_given=&_persNames_alias=&_offences_offenceCategory_offenceSubcategory=&_verdicts_verdictCategory_verdictSubcategory=&_punishments_punishmentCategory_punishmentSubcategory=&_divs_div0Type_div1Type=&fromMonth=&fromYear=&toMonth=&toYear=&ref=&submit.x=0&submit.y=0

O fragmento a seguir ao sinal “?” representa a query. Aprenda mais sobre como criar queries na lição Downloading Multiple Records Using Query Strings (em inglês).

Acessando URLs com Python

Como um historiador da era digital, você frenquentemente desejará utilizar dados mantidos em sites acadêmicos. Para acessar esses dados, seria possível abrir as URLs uma por uma e copiar e colar os conteúdos num ficheiro de texto. Alternativamente, é possível utilizar Python para, automaticamente, coletar e processar os dados. Para isso, é preciso aprender como abrir uma URL por meio do seu próprio código. A linguagem Python inclui uma série de padrões para fazer isso.

Como exemplo, vamos trabalhar com o tipo de documento que provavelmente você vai encontrar ao realizar uma pesquisa na área de História. Suponhamos que haja interesse nas relações raciais na Inglaterra do século XVIII. O site The Old Bailey Online é uma fonte rica de informações históricas e disponibiliza transcrições de julgamentos que ocorreram entre 1674 e 1913.

Para esse exemplo, utilizaremos a transcrição do julgamento de Benjamin Bowsey, um negro condenado por perturbar a paz durante os protestos de Gordon em 1780. A URL para o registro é

http://www.oldbaileyonline.org/browse.jsp?id=t17800628-33&div=t17800628-33

Estudando a URL, podemos verificar algumas coisas. Primeiro, o site é programado em JSP (JavaServer Pages, uma linguagem de programação para a web cujo resultado é um ficheiro HTML). Segundo, é possível acessar registros de julgamentos individuais fazendo uso de query strings. Cada registro recebe um número único (id=t na URL), formado a partir da data da sessão de julgamento no formato (AAAAMMDD) e o número do julgamento naquela sessão do tribunal. Neste caso, 33. Caso as duas ocorrências de 33 sejam trocadas por 34 no link acima, o seu navegador o encaminhará ao próximo julgamento. Infelizmente, nem todos os sites possuem URLs tão acessíveis e confiáveis quanto essa.

Observe a página do julgamento de Benjamin Bowsey. Mais importante do que o conteúdo são os elementos presentes na página. Note o link View as XML na parte inferior. Esse link apresenta uma versão repleta de marcações no texto que podem ser úteis para certos tipos de pesquisa. O documento original digitalizado do julgamento também pode ser acessado.

Agora vamos tentar abrir a página utilizando Python. Copie o seguinte programa no Komodo Edit e salve o ficheiro como open-webpage.py. Quando executar o programa, a página do julgamento será acessada, seus conteúdos serão lidos e copiados numa string chamada webContent. Na sequência, os primeiros 300 caracteres serão exibidos no painel de saída de comandos. Utilize Ferramentas -> Ferramentas do Navegador -> Fonte da página no navegador Firefox para verificar que o código HTML da página é o mesmo que o seu programa acessou. Outros navegadores podem ter caminhos distintos para acessar o código fonte. Caso não consiga encontrar o caminho no seu navegador, tente utilizar um mecanismo de busca para encontrá-lo. (Consulte a biblioteca de referência do Python para aprender mais sobre urllib.)

# open-webpage.py

import urllib.request, urllib.error, urllib.parse

url = 'http://www.oldbaileyonline.org/browse.jsp?id=t17800628-33&div=t17800628-33'

response = urllib.request.urlopen(url)
webContent = response.read()

print(webContent[0:300])

Utilizando apenas essas cinco linhas de código, é possível obter resultados substanciais. Agora, vamos nos assegurar de que cada linha de código está clara e que é possível distinguir os blocos que permitem ao programa realizar a tarefa que desejamos.

url, response e webContent são todas variáveis nomeadas por nós.

url contém a URL da página que queremos baixar. Neste exemplo, trata-se do julgamento de Benjamin Bowsey.

Na linha seguinte, chamamos a função urlopen, contida no módulo do Python chamado urllib.py, e solicitamos que ela acesse o site especificado na variável url. Em seguida, salvamos o resultado desse processo numa variável chamada response. Essa variável contém agora uma versão aberta do site solicitado.

No próximo passo, utilizamos o método read, que já utilizamos anteriormente, para copiar os conteúdos do site numa nova variável chamada webContent.

Assegure-se de ser capaz de identificar as variáveis (3), o módulo (1), os métodos (2) e os parâmetros (1) antes de prosseguir.

No resultado do código acima, alguns marcadores da linguagem HTML poderão ser identificados:

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
	<title>Browse - Central Criminal Court</title>
	<meta http-equiv="content-type" content=

O conteúdo do julgamento fica na parte inferior da página. O que vemos aqui é o código HTML no início do documento. Isso não é exatamente o que precisamos para pesquisa histórica, mas não se preocupe: aprenderemos noutra lição a eliminar o excesso de marcadores e obter o conteúdo que procuramos.

Salvando uma cópia local da página

Considerando o que foi visto sobre atribuir conteúdo a um ficheiro, é bem fácil modificar o programa acima para salvar o conteúdo da variável webContent num ficheiro local no seu computador. Copie o seguinte programa no Komodo Edit, salve-o como save-webpage.py e o execute. Utilizando o comando File -> Open File no Firefox, abra o ficheiro criado no seu disco local (obo-t17800628-33.html) para confirmar que a cópia salva é a mesma que a online.

# save-webpage.py

import urllib.request, urllib.error, urllib.parse

url = 'http://www.oldbaileyonline.org/browse.jsp?id=t17800628-33&div=t17800628-33'

response = urllib.request.urlopen(url)
webContent = response.read()

f = open('obo-t17800628-33.html', 'wb')
f.write(webContent)
f.close

Se é possível salvar um único ficheiro dessa maneira, seria possível escrever um programa para baixar um conjunto de ficheiros? Por exemplo, seria possível percorrer os identificadores de um conjunto de páginas e copiá-las para o seu computador? Sim. Aprenda como na lição Downloading Multiple Files using Query Strings (em inglês), que recomendamos depois que tenha terminado as lições introdutórias dessa série.

Leitura Sugerida

• Mitchell, Ryan. “Web Scraping com Python: Coletando Mais Dados da Web Moderna” (O’Reilly, 2019).

Sincronização do Código

Para acompanhar futuras lições, é importante ter os ficheiros e programas corretos no seu diretório “programming-historian”. Ao final de cada lição, é possível baixar o ficheiro zip “programming-historian” para ter certeza de que o ficheiro correto está sendo utilizado.

• programming-historian-1 (zip)