encontrado autor y link

autorsearcher.py

@@ -1,75 +1,93 @@
-from selenium import webdriver
-from selenium.webdriver.chrome.options import Options
-from bs4 import BeautifulSoup
+import json
 import requests
-
-def get_html_without_javascript(url):
+import sys
+from bs4 import BeautifulSoup
+    
+def download_html_as_human(url):
     """
-    Utiliza Selenium para obtener el HTML de una página web con JavaScript desactivado.
+    Descarga el HTML de una página web simulando un navegador real y usando cookies de sesión.
     """
-    # 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
+    headers = {
+        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36"
+    }
 
+    session = requests.Session()
 
-    # Inicializar el driver de Chrome
-    driver = webdriver.Chrome(options=chrome_options)
+    response = session.get(url, headers=headers)
 
-    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()
+    if response.status_code == 200:
+        return response.text
+    else:
+        return None
 
-def get_author_from_html(html_content):
+def extract_author_from_json(json_data):
     """
-    Utiliza BeautifulSoup para extraer el autor de una página HTML.
+    Extrae el autor del JSON-LD, incluso si está en una lista.
     """
-    try:
-        # Analizar el HTML con BeautifulSoup
-        soup = BeautifulSoup(html_content, 'html.parser')
+    if isinstance(json_data, list):
+        for item in json_data:
+            author = extract_author_from_json(item)
+            if author:
+                return author
+    elif isinstance(json_data, dict):
+        if 'author' in json_data:
+            author_data = json_data['author']
+            if isinstance(author_data, list):
+                for author in author_data:
+                    if isinstance(author, dict) and 'name' in author:
+                        return author['name']
+            elif isinstance(author_data, dict) and 'name' in author_data:
+                return author_data['name']
+    return None
 
-        # 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):
+def get_author_from_json_ld(soup):
     """
-    Combina ambas funciones para obtener el autor desde una página con JS desactivado.
+    Extrae el autor de los metadatos JSON-LD, considerando estructuras con listas y objetos.
     """
-    try:
-        # Obtener el HTML sin JavaScript usando Selenium
-        print("Obteniendo HTML con JavaScript desactivado...")
-        html_content = get_html_without_javascript(url)
+    scripts = soup.find_all('script', type='application/ld+json')
+    for script in scripts:
+        try:
+            json_data = json.loads(script.string)
+            author = extract_author_from_json(json_data)
+            if author:
+                return author
+        except json.JSONDecodeError:
+            continue
+    return None
 
-        # 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)
+def get_author_from_meta(soup):
+    """
+    Extrae el autor de la etiqueta <meta> con el atributo property="nrbi:authors".
+    """
+    meta_author = soup.find('meta', property='nrbi:authors')
+    if meta_author and 'content' in meta_author.attrs:
+        return meta_author['content']
+    return None
 
-        # Obtener el autor desde el HTML
-        print("Analizando HTML para obtener el autor...")
-        author = get_author_from_html(html_content)
+def get_author_from_url(url):
+    """
+    Busca el autor en los metadatos JSON-LD y en la etiqueta <meta> de una URL.
+    """
+    html_content = download_html_as_human(url)
+    if not html_content:
+        print("error")
+        return "No se pudo descargar la página."
+
+    soup = BeautifulSoup(html_content, 'html.parser')
+
+    author = get_author_from_json_ld(soup)
+    if author:
         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}")
+    author = get_author_from_meta(soup)
+    if author:
+        return author
+
+    return "Autor no encontrado en los metadatos."
+
+if __name__ == "__main__":
+    if len(sys.argv) > 1:
+        url = sys.argv[1]
+        print(get_author_from_url(url))
+    else:
+        print("Uso: python autorsearcher.py <URL>")