born

autorsearcher.py

@@ -0,0 +1,75 @@
+from selenium import webdriver
+from selenium.webdriver.chrome.options import Options
+from bs4 import BeautifulSoup
+import requests
+
+def get_html_without_javascript(url):
+    """
+    Utiliza Selenium para obtener el HTML de una página web con JavaScript desactivado.
+    """
+    # Configuración de opciones de Chrome
+    chrome_options = Options()
+    chrome_options.add_argument("--disable-dev-shm-usage")  # Usa memoria compartida si no hay suficiente RAM
+    chrome_options.add_argument("--no-sandbox")  # Desactiva el sandboxing (problema común en entornos sin root)
+    chrome_options.add_argument("--disable-extensions")  # Desactiva extensiones del navegador
+    chrome_options.add_argument("--remote-debugging-port=9222")  # Debugging remoto
+    chrome_options.add_argument("--headless=new")  # Nueva implementación de headless
+
+
+    # Inicializar el driver de Chrome
+    driver = webdriver.Chrome(options=chrome_options)
+
+    try:
+        # Accede al sitio web
+        driver.get(url)
+        # Obtener el contenido de la página
+        html_content = driver.page_source
+        return html_content
+    finally:
+        # Cierra el navegador
+        driver.quit()
+
+def get_author_from_html(html_content):
+    """
+    Utiliza BeautifulSoup para extraer el autor de una página HTML.
+    """
+    try:
+        # Analizar el HTML con BeautifulSoup
+        soup = BeautifulSoup(html_content, 'html.parser')
+
+        # Buscar la meta tag con name="autor"
+        author_meta = soup.find('meta', attrs={'name': 'autor'})
+        
+        # Si existe, devolver el contenido del atributo "content"
+        if author_meta and 'content' in author_meta.attrs:
+            return author_meta['content']
+        else:
+            return "No se encontró el autor en la meta etiqueta."
+    except Exception as e:
+        return f"Error al analizar el HTML: {e}"
+
+# Función principal
+def main(url):
+    """
+    Combina ambas funciones para obtener el autor desde una página con JS desactivado.
+    """
+    try:
+        # Obtener el HTML sin JavaScript usando Selenium
+        print("Obteniendo HTML con JavaScript desactivado...")
+        html_content = get_html_without_javascript(url)
+
+        # Guardar el HTML en un archivo local (opcional)
+        with open("pagina_web_sin_js.html", "w", encoding="utf-8") as file:
+            file.write(html_content)
+
+        # Obtener el autor desde el HTML
+        print("Analizando HTML para obtener el autor...")
+        author = get_author_from_html(html_content)
+        return author
+    except Exception as e:
+        return f"Error general: {e}"
+
+# Ejemplo de uso
+url = "https://www.abc.es/internacional/trump-presidente-vez-era-dorada-empieza-momento-20250120202851-nt.html"
+author = main(url)
+print(f"El autor es: {author}")