Raspagem de dados com Node.js

por Rennan Martini Rodrigues 12/08/2015 Comentários ~ 5 min. / 920 palavras

Raspagem de dados, ou Web scraping, é uma técnica de extração de dados onde é possível recuperar informações de websites.

Existem diversas maneiras de fazer raspagem de dados: pode ser feito manualmente copiando e colando, utilizando uma ferramenta online, usando uma extensão para o navegador Google Chrome (como o Webscrapper), etc. Neste artigo será mostrado um passo-a-passo de como fazer raspagem de dados no site Portal da Transparência. O site Portal da Transparência é mantido pelo Tribunal de Contas da União, órgão que fiscaliza as contas do governo. Informações de gastos com aquisição e contratação de obras e compras governamentais, diárias pagas, cartões de pagamento do Governo Federal, entre outras são exemplos que podem ser encontrado.

Para fazer a aplicação raspar dados, usaremos as seguintes ferramentas:

Configuração

Primeiro devemos configurar as dependências necessárias no arquivo package.json:

{
{
    "name": "node-scrap-govbr",
    "repository": {
        "type": "git",
        "url": "git://github.com/rennan/node-scrap-govbr.git"
    },
    "version": "0.0.1",
    "description": "Exemplo simples de raspagem de dados em um site do Governo Federal Brasileiro com Node.js.",
    "main": "server.js",
    "author": "Rennan Martini ",
    "license": "MIT",
    "dependencies": {
        "express": "latest",
        "request": "latest",
        "cheerio": "latest"
    }
}

Com o arquivo package.json pronto, é só instalar as dependências com o comando npm install.

Agora que as dependências foram instaladas, iremos definir o que deve ser criado. Neste exemplo, iremos fazer uma requisição na página de Gastos Diretos por Órgão Executor. Nesta página teremos acesso aos gastos que o governo teve em 2015, separado por Ministério. Uma vez que tivermos acesso a estas informações, podemos escolher o que salvar em um arquivo JSON no computador.

A aplicação

O resumo da raspagem de dados funcionará da seguinte forma:

  1. Nossa app vai fazer uma requisição a URL que iremos raspar
  2. A requisição irá capturar o HTML da página e fornecer ele para o nosso server
  3. Pelo server, iremos acessar o DOM e extrair as informações específicas (no caso a tabela de gastos)
  4. Em seguida, nossa app vai criar um arquivo .json com os dados extraídos e salvar na pasta do projeto.

Toda a a estrutura lógica ficará em um arquivo server.js.

var express = require('express'),
    fs = require('fs'),
    request = require('request'),
    cheerio = require('cheerio'),
    app = express();

// Passo 1
app.get('/raspagem', function(req, res) {
    ...
})

app.listen('8081')
console.log('Executando raspagem de dados na porta 8081...');
exports = module.exports = app;

Fazendo a requisição

A requisição externa deve ser realizada dentro do escopo do método app.get() através da função <b>request()</b>. O método request deve receber dois parâmetros: a url e o callback. No parâmetro url colocamos a página do Portal da Transparência e no callback iremos declarar três novos parâmetros: error, response e o html.

app.get('/raspagem', function(req, res) {
    // Passo 2
    url = 'https://www.portaldatransparencia.gov.br/PortalComprasDiretasOEOrgaoSuperior.asp?Ano=2015&Valor=86726995548647&Pagina=1';
    request(url, function(error, response, html) {
        ...
    })
})

Acessando o DOM da URL externa

DOM

Inspecionamos o código-fonte para ver o seletor da tabela que iremos fazer a raspagem. O cheerio é uma biblioteca que nos dá permissão de manipular facilmente o DOM dos elementos da url. Se você já utilizou jQuery, está familiarizado com a estrutura dos seletores. Depois de encontrar o seletor, iremos manipular os elementos filhos da div#listagem, no caso a tabela.

...
// Assegurar que não tenha erros para fazer a raspagem de dados com sucesso
if (!error) {
    var $ = cheerio.load(html);

    // Objeto que irá armazenar a tabela
    var resultado = [];

    // Passo 3
    // Manipulando o seletor específico para montar nossa estrutura
    // Escolhi não selecionar a primeira linha porque faz parte do header da tabela
    $('#listagem tr:not(:first-child)').each(function(i) {
        // Obtendo as propriedades da tabela. 
        // O método .trim() garante que irá remover espaço em branco
        var codigo = $(this).find('td').eq(0).text().trim(),
            orgao = $(this).find('td').eq(1).text().trim(),
            valorTotal = $(this).find('td').eq(2).text().trim();
        
        // Inserindo os dados obtidos no nosso objeto
        resultado.push({
            codigo: codigo,
            orgao: orgao,
            total: valorTotal
        });
    });
}

Formatando e Extraindo

Nós armazenamos os dados extraídos em uma variável chamada resultado. Agora é necessário colocar as mãos na API do NodeJS chamada Fyle System. Esta biblioteca nos dá acesso pra várias coisas legais, dentre elas a possibilidade de escrever arquivos. No método writeFile() passaremos dois parâmetros: o arquivo .json que será gerado e o objeto que será exportado neste arquivo.

// Passo 4
fs.writeFile('resultado.json', JSON.stringify(resultado, null, 4), function(err) {
    console.log('JSON escrito com sucesso! O arquivo está na raiz do projeto.')
})

Assim, quando executarmos o comando node server.js no terminal a nossa aplicação irá fazer a raspagem na URL e gerar o arquivo resultado.json.

resultado.json

Validando

É sempre importante validar o que você está fazendo. Podemos verificar se o nosso arquivo .json é válido com a ferramenta JSONLint:

valid_json

Considerações finais

Vimos neste exemplo que o processo de raspagem de dados pode ser bem simples, porém é uma técnica poderosa que aliada a outros serviços é possível construir ótimas aplicações. O código completo utilizado como exemplo neste post está versionado no GitHub do autor.

Porquê escolhi um site do governo

Decidi escolher um site do governo porquê trata-se de um Portal com todas informações disponíveis ao cidadão, que por uma série de fatores acaba passando despercebido. É importante evidenciar que o Governo incentiva o manuseio de suas informações com dados abertos. Para se ter uma noção sobre esta iniciativa, existem diversos projetos que trabalham com os dados governamentais, através de raspagem e bots automatizadores de tarefas. O DataBR, por exemplo, é um conjunto de API’s que possibilita desenvolvedores, jornalistas, analistas e demais interessados, trabalhar com dados governamentais brasileiros.

***

Espero que tenha aproveitado a leitura.

Leia mais aqui no Tableless: