Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- {
- "cells": [
- {
- "cell_type": "code",
- "execution_count": 2,
- "metadata": {},
- "outputs": [
- {
- "name": "stdout",
- "output_type": "stream",
- "text": [
- "14 - CV Lattes para avaliação\n"
- ]
- }
- ],
- "source": [
- "#importar lista e lattes do arquivo listalattes.xlsx\n",
- "list_lattes = pd.read_excel('listalattes.xlsx', header= None, index_col= None) \n",
- "list_lattes = list_lattes[0]\n",
- "print(len(list_lattes), '- CV Lattes para avaliação')"
- ]
- },
- {
- "cell_type": "code",
- "execution_count": 3,
- "metadata": {},
- "outputs": [
- {
- "name": "stdout",
- "output_type": "stream",
- "text": [
- "Linhas Prod de Andreza Portella Ribeiro : 37\n",
- "Linhas Prod de Carlos Leite de Souza : 53\n",
- "Linhas Prod de Cintia Elisa de Castro Marino : 0\n",
- "Linhas Prod de Cristiano Capellani Quaresma : 17\n",
- "Linhas Prod de Diego de Melo Conti : 13\n",
- "Linhas Prod de Heidy Rodriguez Ramos : 40\n",
- "Linhas Prod de Humberto Dantas de Mizuca : 52\n",
- "Linhas Prod de João Alexandre Paschoalin Filho : 34\n",
- "Linhas Prod de José Eduardo Storopoli : 19\n",
- "Linhas Prod de Jose Ricardo Marar : 1\n",
- "Linhas Prod de Luís Fernando Massonetto : 11\n",
- "Linhas Prod de Maurício Lamano Ferreira : 39\n",
- "Linhas Prod de Tatiana Tucunduva Philippi Cortese : 17\n",
- "Linhas Prod de Wilson Levy Braga da Silva Neto : 28\n"
- ]
- }
- ],
- "source": [
- "prod_df = pd.DataFrame()\n",
- "for row in list_lattes:\n",
- " url = row\n",
- " page = requests.get(url)\n",
- " #Parse o HTML\n",
- " soup = BeautifulSoup(page.text, 'html.parser')\n",
- " #Achar nome do titular do CV Lattes\n",
- " name = soup.find(class_='nome')\n",
- " name = name.text\n",
- " #Achar todos os artigos completos publicados em periodicos\n",
- " tb = soup.find_all('div', class_='artigo-completo') \n",
- " #fazer uma lista com cada um dos anos e ISSN\n",
- " ano=[]\n",
- " for i in tb:\n",
- " inf_ano = i.find_all('span', class_='informacao-artigo')[2]\n",
- " ano.append(inf_ano.text)\n",
- " issn=[]\n",
- " for i in tb:\n",
- " try:\n",
- " inf_issn = i.img.get('data-issn')\n",
- " except AttributeError:\n",
- " issn.append(None)\n",
- " else:\n",
- " issn.append(inf_issn)\n",
- " #fazer uma lista com cada um dos artigos completos\n",
- " prod = []\n",
- " for i in tb:\n",
- " prod.append(i.text)\n",
- " print('Linhas Prod de ', name, ': ', len(prod))\n",
- " #remover duplicados de cada artigo\n",
- " prod = [re.sub('\\n\\d{1,2}\\.', '', i) for i in prod]\n",
- " prod = [re.sub('\\n', '', i) for i in prod]\n",
- " prod = [re.sub('.*\\.\\d{4}', '',i) for i in prod]\n",
- " prod = [re.sub('\\d{1,2}\\w*\\,\\s\\w*\\B\\d{4}', '',i) for i in prod]\n",
- " prod = [re.sub('\\d{1,2}\\w{2,}\\s\\w{2,}\\d{4}', '',i) for i in prod]\n",
- " prod = [re.sub('\\w{2,}\\s\\w{2,}\\,\\s[\\wÀ-ú]*\\d{4}', '',i) for i in prod]\n",
- " prod = [re.sub('\\w{2,}\\,\\s[\\wÀ-ú]*\\s[\\wÀ-ú]*\\d{4}', '',i) for i in prod]\n",
- " #duplicar o nome para o tamanho da lista dos artigos publicados\n",
- " name_list = [name] * len(prod)\n",
- " new_df = pd.DataFrame(\n",
- " {'Nome': name_list,\n",
- " 'Ano': ano,\n",
- " 'ArtigosCompletos': prod,\n",
- " 'ISSN': issn\n",
- " })\n",
- " prod_df = prod_df.append(new_df, ignore_index=True)"
- ]
- }
- ],
- "metadata": {
- "kernelspec": {
- "display_name": "Python 3",
- "language": "python",
- "name": "python3"
- },
- "language_info": {
- "codemirror_mode": {
- "name": "ipython",
- "version": 3
- },
- "file_extension": ".py",
- "mimetype": "text/x-python",
- "name": "python",
- "nbconvert_exporter": "python",
- "pygments_lexer": "ipython3",
- "version": "3.6.8"
- }
- },
- "nbformat": 4,
- "nbformat_minor": 2
- }
Add Comment
Please, Sign In to add comment