Web Scraping Luxostudio para imagenes

Este script de Python utiliza la biblioteca Selenium WebDriver para automatizar el proceso de búsqueda y extracción de URLs de imágenes de productos en el sitio web https://www.luxestudio.es. A continuación, se describen las principales secciones y funciones del script, así como el flujo general del programa.

Dependencias

• Selenium: Para automatizar la interacción con el navegador.
• Pandas: Para la manipulación y análisis de datos.
• Logging: Para registrar información relevante durante la ejecución del script.

Configuración Inicial

1. Configuración de logging: Se establece la configuración básica del registro para que muestre la hora, el nivel de gravedad y el mensaje.
2. Inicialización del WebDriver: Se crea una nueva instancia del navegador Chrome.

Funciones Principales

1. login():

   • Navega a la página de inicio de sesión.
   • Encuentra los campos de correo electrónico y contraseña, los llena y envía el formulario.
   • Espera hasta que la página de contenido esté cargada para confirmar el inicio de sesión.

2. check_session_and_relogin():

   • Verifica si la sesión se ha cerrado comprobando la URL actual.
   • Si es necesario, inicia sesión nuevamente y navega de vuelta a la página de medios.

3. get_last_processed_index(filename):

   • Lee y retorna el último índice de producto procesado desde un archivo.
   • Si el archivo no existe, retorna 0.

4. search_and_extract_image_url(driver, product_name):

   • Divide el nombre del producto en partes y crea términos de búsqueda.
   • Realiza una búsqueda en la página de medios y extrae la URL de la imagen del producto.
   • Realiza varios intentos en caso de excepciones durante la búsqueda.

Flujo Principal del Programa

1. Intenta iniciar sesión inicialmente usando la función login().
2. Navega a la página de medios.
3. Carga el archivo CSV archivo.csv y obtiene el último índice de producto procesado.
4. Itera sobre los productos en el archivo CSV:
   • Verifica y re-inicia sesión si es necesario.
   • Busca y extrae la URL de la imagen del producto o hereda la imagen del producto padre si está disponible.
   • Actualiza el DataFrame y guarda el índice del último producto procesado.
5. Guarda el DataFrame actualizado en un nuevo archivo CSV archivo-updated.csv.
6. En caso de cualquier excepción, registra el error y cierra el navegador.
7. Finalmente, guarda el índice del último producto procesado en un archivo y cierra el navegador.

Instrucciones para la Ejecución

1. Asegúrate de tener instaladas las bibliotecas necesarias y el chromedriver correspondiente a tu versión de Chrome.
2. Ejecuta el script y revisa los registros para monitorear el progreso y detectar cualquier posible error.