#074 Cómo hacer web scraping en Azure Synapse Analytics

Conoceremos las técnicas:

1. Uso del cuaderno con

• Azure Synapse Analytics, puede crear cuadernos mediante la instancia de Apache Spark y el lenguaje Python. El comando ATTACH TO se usa para conectar el cuaderno a la instancia de Spark y el lenguaje se establece en Python con LANGUAGE.

  -- Comando para adjuntar a Spark en Python
  %pyspark
  

número arábigo. Ver

• para ver y configurar los recursos asociados a la instancia de Spark, puede usar comandos como CONFIGURE SESSION. Esto le permite configurar opciones específicas de la sesión de Spark.

  -- Configurar los recursos de sesión de Spark
  spark.conf.set("spark.some.config.option", "config-value")
  

3. Identifique los paquetes instalados de la instancia de Apache Spark (PKG_RESOURCES, WORKING_SET, PRINT):

• puede identificar los paquetes de Python instalados en la instancia de Spark mediante bibliotecas como pkg_resources y working_set.

  -- Identificar los paquetes instalados
  Importar pkg_resources
  para el paquete en pkg_resources.working_set:
    imprimir (paquete)
  

4. Importar paquetes de Python (PANDAS, REQUESTS, BEAUTIFULSOUP):

• importe las bibliotecas de Python necesarias para la manipulación de datos, las solicitudes web y el raspado.

  Importar Pandas como PD
  Solicitudes de importación
  de bs4 import BeautifulSoup
  

5. Obtener contenido de la página web (SOLICITUDES, CÓDIGO HTML, ELEMENTOS, TABLAS, FILAS, COLUMNAS):

• Utilice bibliotecas como solicitudes y BeautifulSoup para recuperar el contenido de una página web y extraer información.

  url='https://example.com'
  respuesta = solicitudes.get(url)
  html_code = respuesta.texto
  

6. Convertir elementos de código HTML en una lista de matrices (BEAUTIFULSOUP, HTML5LIB):

• use BeautifulSoup para analizar el código HTML y extraer datos.

  sopa = BeautifulSoup(html_code, 'html5lib')
  tablas = soup.find_all('tabla')
  

7. Interactuar e identificar elementos de la lista de matrices (FIND_ALL, TABLE, FOR, ENUMERATE

• ): itere sobre los elementos de una lista y extraiga información específica.

  Para I, tabla en enumerate(tables):
    print(f"Tabla {i + 1}:")
    filas = table.find_all('tr')
    Para fila en filas:
        columnas = row.find_all('td')
        Para col en columnas:
            print(col.texto)
  

8. Crear DataFrame (PANDAS, COLUMNS):

• Utilice la biblioteca Pandas para crear un DataFrame con los datos extraídos.

  data = {'Columna1': [valor1, valor2, ...], '

  Columna2': [valor1, valor2, ...] }
  df = pd. DataFrame(data, columns=['Column1', 'Column2'])
  

9. Agregar registros a la trama de datos (APPEND):

• agregue nuevos registros a la trama de datos según sea necesario.

  new_data = {'Columna1': [new_value1], 'Columna2': [new_value2]}
  df = df.append(pd. DataFrame(new_data), ignore_index=True)
  

10. Visualice los datos existentes en Dataframe:- Visualice los datos

de DataFrame.

 Imprimir (DF)

11. Guarde los registros de la trama de datos en un archivo en formato Parquet (PANDAS, TO_PARQUET, AZURE DATA LAKE STORAGE):- Guarde los registros de la trama de datos en un archivo Parquet

.

 df.to_parquet('salida.parquet')
   # Cargar en Azure Data Lake Storage

12. Consulte los registros en el script SQL:

ejecute consultas SQL en Azure Synapse Analytics para analizar o manipular los datos.

 -- Consulta SQL
   spark.sql("SELECT * FROM my_table").show()