DataSpider (проект) — различия между версиями

Версия 21:42, 10 декабря 2014

Что это за проект?

Задачей проекта DataSpider является реализация консольной утилиты, предназначенной для обхода тематических сайтов в сети Интернет и извлечения "полезных" данных. Результатом обхода будет являться текстовый файл в формате CSV или TSV, содержащий извлеченные данные. Подобная программа необходима для получения открытых данных в случае, когда на сайте отсутствует возможность использовать API. На выбор будут предложены сайты по следующим тематикам:

• Прогноз погоды (gismeteo.ru, meteoinfo.ru, hmn.ru, meteoservice.ru, foreca.ru)
• Финансовые показатели и рейтинги банков (banki.ru, bankir.ru, 101bank.net, raexpert.ru, sravni.ru, banks-rating.ru, сайт ЦБ РФ)
• Финансовые показатели и рейтинги страховых компаний (raexpert.ru, insuru.ru, ic-ratings.ru, inguru.ru, sravni.ru)
• Финансовые показатели и рейтинги туристических фирм (firms.turizm.ru, turreestr.ru, tursvodka.ru,tour-info.ru)
• Продажа и аренда недвижимости (cian.ru, realty.dmir.ru, irr.ru, egsnk.ru, gdeetotdom.ru)
• Спортивные соревнования и спортивная аналитика (myscore.ru, news.sportbox.ru, sports.ru, championat.com)
• Экскурсионные предложения (автобусные экскурсии, речные круизы)
• Интернет-магазины (mvideo.ru, mediamarkt.ru, eldorado.ru, 003.ru, enter.ru)

Чему вы научитесь?

• основным принципам межсетевого взаимодействия по протоколу HTTP
• извлекать различные данные из HTML-страниц с помощью языка запросов XPath и регулярных выражений
• разрабатывать алгоритмы для эффективного обхода множества страниц сайта
• корректно использовать аргументы командной строки, переменные окружения, стандартные потоки ввода и вывода при создании консольных утилит

Какие начальные требования?

• желательно наличие базовых навыков программирования на языке Python

Какие будут использоваться технологии?

• Язык программирования Python версии 2.7
• Python-пакеты Grab, ScraPy, Selenium Web Driver и другие
• Язык запросов XPath
• Система контроля версий Git (или Mercurial по желанию студента)
• GitHub (или BitBucket) в качестве система управления проектом (хранение исходного кода, отслеживание тикетов, управление релизами, ревью)
• IaaS платформа Amazon Web Services

Темы вводных занятий

Направления развития

Каждая подобная утилита может рассматриваться как источник данных для проведения статистических исследований и различного рода аналитики. Собранные данные могут использоваться методами машинного обучения для построения различных описательных или предсказательных моделей.

Критерии оценки

Оценки 4-5:

• утилита обходит только один сайт из выбранной тематики
• повторный запуск приводит к перезатиранию предыдущих результатов

Оценки 6-7:

• утилита позволяет обходить два или более тематических сайта
• повторный запуск приводит к накоплению данных в результирующих файлах
• утилита позволяет задавать различные опции командной строки
• разработаны и проходят модульные тесты для большей части кода
• реализовано корректное разграничение стандартных потоков ввода и вывода

Оценки 8-10:

• упаковка утилиты в Debian-пакет
• написана небольшая документация в формате Markdown
• настройка cron-задания для периодического запуска утилиты