Extraer enlaces
De un HTML, devolvé la lista de URLs que están en los href="...". Ejemplo: extraer_enlaces('<a href="/kanto">K</a><a href="/johto">J</a>') → ["/kanto", "/johto"]
Entrá y llevá tu progreso —ejercicios, medallas y Pokémon— a cualquier dispositivo. 🔄
Si tu cuenta ya tiene progreso guardado, se carga ese al entrar.
Entraste como . Tu progreso se sincroniza solo. 🔄
De un HTML, devolvé la lista de URLs que están en los href="...". Ejemplo: extraer_enlaces('<a href="/kanto">K</a><a href="/johto">J</a>') → ["/kanto", "/johto"]
🎯 Meta: bajar una página web y extraerle los datos que te importan.
Scraping es automatizar la lectura de páginas web: bajás el HTML y le sacás los datos (precios, títulos, tablas). Tiene dos partes: bajar la página y extraer los datos.
Bajar el HTML se hace con la librería requests:
import requests
respuesta = requests.get("https://pokeapi.co/api/v2/pokemon/25")
print(respuesta.status_code) # 200 = OK
datos = respuesta.json() # si la respuesta es JSON
print(datos["name"]) # "pikachu"
🌐 Ojo: requests necesita acceso de red real, así que no corre acá en el navegador. En tu compu (pip install requests) anda perfecto. Lo que practicás en los ejercicios es la otra mitad, la que SÍ podemos probar: extraer datos de un HTML ya bajado.
Una página es texto, y las expresiones regulares (re) encuentran patrones dentro del texto.
import re
html = '<a href="/kanto">Kanto</a> <a href="/johto">Johto</a>'
# todos los enlaces (lo que está dentro de href="...")
enlaces = re.findall(r'href="([^"]+)"', html)
print(enlaces) # ["/kanto", "/johto"]
# todos los números
print(re.findall(r"\d+", "nivel 30, hp 100")) # ["30", "100"]
Patrones útiles para scraping:
re.findall(patrón, texto) → lista con TODO lo que coincide.(...) → un grupo: lo que querés capturar..*? → “cualquier cosa, lo más corto posible” (para contenido entre etiquetas).re.sub(patrón, "", texto) → borra lo que coincide (ej. sacar etiquetas).import re
print(re.findall(r"<li>(.*?)</li>", "<li>Rayo</li><li>Placaje</li>")) # ["Rayo", "Placaje"]
print(re.sub(r"<[^>]+>", "", "<b>Hola</b> mundo")) # "Hola mundo"
💡 Para HTML real y complejo se usa BeautifulSoup, que entiende la estructura. Pero entender re te da la base para extraer datos de cualquier texto.
P: La parte de "bajar" la página (con `requests`)…
+ necesita acceso a internet (no corre acá en el navegador)
- se hace solo con el módulo `re`
- no hace falta nunca
> Bajar usa `requests` con red real; lo que practicás acá es extraer datos de un HTML ya bajado.
P: `re.findall(r"\d+", texto)` encuentra…
+ todos los grupos de dígitos del texto
- solo el primer número
- las letras
> `findall` devuelve todas las coincidencias; `\d+` son secuencias de dígitos.
🕸️ La Capitana Mina te espera para extraer fichas de Pokémon del HTML.