Sprint python Screamingfrog.ipynb

sprint-python-screamingfrog.ipynb

{
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "view-in-github",
        "colab_type": "text"
      },
      "source": [
        "<a href=\"https://colab.research.google.com/gist/seoutopico/1dceef1150e82c3427ee71482f25b158/sprint-python-screamingfrog.ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "nRqiCc_tXLri"
      },
      "source": [
        "/// SOLUCIÓN AL SPRINT DE LA SEMANA 3 \n",
        "\n",
        "Preparamos el entorno para subir y leer nuestra exportación de Screaming Frog\n",
        "\n",
        "1. Instalamos pandas\n",
        "2. Subimos el crawl de screamingFrog:\n",
        "3. Leemos el archivo\n",
        "\n",
        "\n",
        "\n"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "G07Klwk0XJa6"
      },
      "outputs": [],
      "source": [
        "#instalamos pandas\n",
        "!pip install pandas"
      ]
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "vi84a7UDX7kW"
      },
      "outputs": [],
      "source": [
        "#subir arvhicos\n",
        "# fuente: https://colab.research.google.com/notebooks/io.ipynb\n",
        "\n",
        "from google.colab import files\n",
        "\n",
        "uploaded = files.upload()"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "#Leer el archivo\n",
        "import pandas as pd \n",
        "df = pd.read_csv('internos_todo.csv') #metodo p.read_extensión\n",
        "print('Listo')"
      ],
      "metadata": {
        "id": "CfaZrjmlViOL"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "/// QUÉ DATOS QUEREMOS\n",
        "\n",
        "# ¿Qué queremos saber?\n",
        "\n",
        "*  Total de URL con los diferentes Status code\n",
        "*  Exportar un csv\n"
      ],
      "metadata": {
        "id": "cMQVzCn3n-JR"
      }
    },
    {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {
        "id": "VbPPUwPnwKxl"
      },
      "outputs": [],
      "source": [
        "# Total URLs según su Status Code (404, 200, 301)\n",
        "# https://pandas.pydata.org/docs/reference/api/pandas.Series.value_counts.html\n",
        "status_df = df['Código de respuesta'].value_counts()\n",
        "status_df"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "# URL por status code, otra forma de obtener lo mismo\n",
        "status_code_df = df[['Código de respuesta', 'Dirección']].groupby(['Código de respuesta']).agg('count')\n",
        "status_code_df\n"
      ],
      "metadata": {
        "id": "hA6wd06sm4yr"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Descargar el CSV nombre la variable donde hemos guardado los datos del data frame seguido de to.csv\n",
        "status_code_df.to_csv('filename.csv') \n",
        "files.download('filename.csv')"
      ],
      "metadata": {
        "id": "0aYDwJr9YsQL"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [
        "//BONUS\n",
        "\n",
        "Sacamos un listado solo con las URLs que devuelven un 404. \n",
        "\n",
        "Para ello utilizamos el filtrado visto en el módulo"
      ],
      "metadata": {
        "id": "92WIw0IqYtbz"
      }
    },
    {
      "cell_type": "code",
      "source": [
        "# URL por status code 400\n",
        "url_404 = df[df['Código de respuesta'] == 404 ] #indicamos dnd estan los datos , luego la condición : nombre de la columna, valor de la celda\n",
        "\n",
        "#printamos solo las los campos Dirección y Código de respuesta, para quitar ruido al Excel\n",
        "total404 = url_404.filter(['Dirección','Código de respuesta']) #filtramos los datos que queremos\n",
        "total404\n"
      ],
      "metadata": {
        "id": "Hh1zPN6iXLLi"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "#Descargamos el listado de URL que dan 404\n",
        "total404.to_csv('404.csv') \n",
        "files.download('404.csv')"
      ],
      "metadata": {
        "id": "pjmx23QKuOqj"
      },
      "execution_count": null,
      "outputs": []
    }
  ],
  "metadata": {
    "colab": {
      "name": "Sprint python Screamingfrog.ipynb",
      "provenance": [],
      "collapsed_sections": [],
      "authorship_tag": "ABX9TyMxgVnFFq+rjvufC8Men/yG",
      "include_colab_link": true
    },
    "kernelspec": {
      "display_name": "Python 3",
      "name": "python3"
    },
    "language_info": {
      "name": "python"
    }
  },
  "nbformat": 4,
  "nbformat_minor": 0
}

Utilizar Google Colab para leer, analizar, filtrar los datos de ScreamingFrog.