mechanize Archives - gurmezin sci-tech-art

4.461 views

Python mechanize ile Türkçe karakter çözümü

Python Dersleri 004 – Mechanize paketi ile Türkçe erişim

Bu dersimizde, mechanize paketi kullanarak Türkçe karakter sorununu çözüyoruz.

Ayrıca, PyCharm üzerinden paket ekleme ve kaldırma işlemlerinin nasıl yapıldığını da yine bu dersimizde işliyoruz.

[youtube https://www.youtube.com/watch?v=1jNCrY07ck0&w=560&h=315]

Türkçe karakter sorununun çözümünün aslında mechanize paketinden değil, bu paket aracılığıyla kolayca tanımlanabilen “headers” parametrelerinden kaynaklandığını belirtmekte yarar var. Headers bilgilerini tanımlamanıza izin veren tüm paketler, Türkçe karakter sorununuzu çözmenizde yardımcı olacaktır.

Kritik bilgiler şunlar:
(‘Accept-Language’, ‘tr,en-us,en;q=0.5’),
(‘Accept-Charset’, ‘cp1254,ISO-8859-9,utf-8;q=0.7,*;q=0.7’)

Yeri gelmişken, python sürümleri ile ilgili bir kaç noktaya değinmekte yarar var.

Bildiğiniz gibi, daha fazla kaynak bulunabildiği için, derslerimizi python 2 serisi üzerinden sürdürüyoruz. Ancak python grubu, asıl enerjisini python 3 üzerine yoğunlaştırmış durumda. Bu nedenle, python yolculuğu aslında üçüncü kulvar üzerinden yeni ufuklara ulaşmayı planlıyor. Bunu unutmamakta yarar var.

Derslerimizde her iki seride de çalışabilecek kodlara yer vermeye çalışacağım. Mechanize bu açıdan uygun bir paket değil ne yazık ki! Mechanize ekibi, kodlarını python 3 serisine uyarlamayı düşünmüyor. Bazı fork denemeleri var, ama yeterince destekleri bulunmuyor.

Python 3 için mechanize paketine bir alternatif olarak MechanicalSoup öneriliyor. MechanicalSoup paketine aşağıdaki linkten ulaşabilirsiniz:

https://www.facebook.com/l.php?u=https%3A%2F%2Fgithub.com%2Fhickford%2FMechanicalSoup&h=8AQGqTvIl

Dördüncü dersimizde işlediğimiz kodların tamamı aşağıda yer alıyor:

# -*- coding: utf-8 -*-
import mechanize
import re

#url ='http://www.bbc.com'
url ='http://www.milliyet.com.tr'

br = mechanize.Browser()
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
# Browserin takılmasını önlemek için
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

#Header bilgilerini tanımlamak
br.addheaders = [('User-agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0'),
                 ('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'),
                 ('Accept-Language', 'tr,en-us,en;q=0.5'),
                 ('Accept-Charset', 'cp1254,ISO-8859-9,utf-8;q=0.7,*;q=0.7')]
ob = br.open(url)

page = ob.read()
#Buradan itibaren tüm kodlar bir önceki derstekinin aynısıdır
print (len(page))

#regex='div <span class='tooltipsall tooltipsincontent classtoolTips24'>class</span>="grid_5.*?">(.+?)</div>'
regex='div <span class='tooltipsall tooltipsincontent classtoolTips24'>class</span>="cHaber.+?">(.+?)</div>'

pattern = re.compile(regex)
haber=re.findall(pattern,page)
print (len(haber))
i = 0
while i < len(haber):
    detay=haber[i]

    pattern=re.compile('href="(.+?)"')
    haberlink=re.findall(pattern,detay)

    pattern2=re.compile('<a.*?>(.+?...)</a>')
    habertext=re.findall(pattern2,detay)
    print ("link  =",haberlink[0])
    print ("kategori=",habertext[0])
    if len(habertext)>1:
        print ("baslik=",habertext[1])
    if len(habertext)>2:
        print ("ozet  =",habertext[2])
    j=2
    while j<len(habertext):
        print ("detay  =",habertext[j])
        j+=1
    print ("")

    i+=1

# -*- coding: utf-8 -*-

import mechanize

import re

#url ='http://www.bbc.com'

url ='http://www.milliyet.com.tr'

br = mechanize.Browser()

br.set_handle_equiv(True)

br.set_handle_gzip(True)

br.set_handle_redirect(True)

br.set_handle_referer(True)

br.set_handle_robots(False)

# Browserin takılmasını önlemek için

br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

#Header bilgilerini tanımlamak

br.addheaders = [('User-agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0'),

('Accept', 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'),

('Accept-Language', 'tr,en-us,en;q=0.5'),

('Accept-Charset', 'cp1254,ISO-8859-9,utf-8;q=0.7,*;q=0.7')]

ob = br.open(url)

page = ob.read()

#Buradan itibaren tüm kodlar bir önceki derstekinin aynısıdır

print (len(page))

#regex='div class="grid_5.*?">(.+?)</div>'

regex='div class="cHaber.+?">(.+?)</div>'

pattern = re.compile(regex)

haber=re.findall(pattern,page)

print (len(haber))

i = 0

while i < len(haber):

detay=haber[i]

pattern=re.compile('href="(.+?)"')

haberlink=re.findall(pattern,detay)

pattern2=re.compile('<a.*?>(.+?...)</a>')

habertext=re.findall(pattern2,detay)

print ("link =",haberlink[0])

print ("kategori=",habertext[0])

if len(habertext)>1:

print ("baslik=",habertext[1])

if len(habertext)>2:

print ("ozet =",habertext[2])

j=2

while j<len(habertext):

print ("detay =",habertext[j])

j+=1

print ("")

i+=1

Bir sonraki dersimizde görüşmek üzere!

Beni izlemeyi unutmayın!

ahmet aksoy