necesito un script en python qeu dado la url…
- User
necesito un script en python qeu dado la url https://www.linkedin.com/jobs/view/4217728775
me cree este archivo.
name file:
[nombre_de_la_empresa][job title].mddescripption
## url en el formato markdown para urls ()[] ## title ## description exactamente igual como aparace en la propuesta (si es ingles dejarlo en ingles ) pero en formato markdown Assistant
Okay, aquí tienes un script en Python que utiliza las bibliotecas
requestsyBeautifulSoup4para intentar extraer la información de una página de empleo de LinkedIn y guardarla en un archivo Markdown con el formato que especificaste.Importante:
- Fragilidad: LinkedIn cambia la estructura de su HTML con frecuencia. Los selectores (clases CSS como
'top-card-layout__title','topcard__org-name-link','show-more-less-html__markup') usados en este script pueden dejar de funcionar en cualquier momento si LinkedIn actualiza su sitio. Tendrás que inspeccionar el HTML de la página de LinkedIn (usando las herramientas de desarrollador de tu navegador) y ajustar los selectores en el script si deja de funcionar. - Términos de Servicio: El web scraping (extraer datos automáticamente de sitios web) puede ir en contra de los Términos de Servicio de LinkedIn. Úsalo con responsabilidad y a baja escala para evitar bloqueos. LinkedIn puede implementar medidas anti-scraping.
- Contenido Dinámico: A veces, LinkedIn carga partes de la página con JavaScript. Si
requestsno obtiene toda la información, podría ser necesario usar herramientas más complejas comoSelenium, que controlan un navegador real. Este script usa el método más simple conrequests. - Formato Markdown: El script extraerá el texto de la descripción. Si la descripción original en LinkedIn tiene formato HTML (negritas, listas, etc.), este script básico lo convertirá a texto plano bajo la sección
## description. Convertir HTML a Markdown de forma precisa requeriría bibliotecas adicionales comohtml2text.
Instalación de Bibliotecas:
Si no las tienes instaladas, abre tu terminal o línea de comandos y ejecuta:
pip install requests beautifulsoup4Script Python (
scrape_linkedin.py):import requests from bs4 import BeautifulSoup import re import os def sanitize_filename(name): """Removes characters that are invalid for filenames.""" # Remove invalid characters name = re.sub(r'[\\/*?:"<>|]', "", name) # Replace potential multiple spaces with a single one (optional) name = re.sub(r'\s+', ' ', name).strip() # You might want to replace spaces with underscores or remove them # name = name.replace(' ', '_') return name def scrape_linkedin_job(url): """ Scrapes job details from a LinkedIn job posting URL and saves them to a Markdown file. """ headers = { # Mimic a browser user-agent to potentially avoid basic blocks 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36' } try: print(f"Fetching URL: {url}") response = requests.get(url, headers=headers, timeout=15) response.raise_for_status() # Raise an exception for bad status codes (4xx or 5xx) print("Parsing HTML...") soup = BeautifulSoup(response.text, 'html.parser') # --- Extracting Information (Selectors might need updating!) --- # Job Title title_element = soup.find('h1', class_='top-card-layout__title') job_title = title_element.get_text(strip=True) if title_element else "Unknown_Job_Title" print(f"Found Title: {job_title}") # Company Name # Try finding the link first, then the text part company_link_element = soup.find('a', class_='topcard__org-name-link') if company_link_element: company_name = company_link_element.get_text(strip=True) else: # Fallback: Sometimes it's in a span within the subtitle container subtitle_element = soup.find('div', class_='topcard__flavor-row') company_span = subtitle_element.find('span', class_='topcard__flavor') if subtitle_element else None company_name = company_span.get_text(strip=True) if company_span else "Unknown_Company" # Further fallback if structure changes drastically if company_name == "Unknown_Company": company_name_element = soup.find('span', class_='topcard__flavor') # Simpler selector attempt company_name = company_name_element.get_text(strip=True) if company_name_element else "Unknown_Company" print(f"Found Company: {company_name}") # Job Description # Often inside a div with specific classes, structure might vary description_container = soup.find('div', class_='show-more-less-html__markup') # Sometimes it might be nested differently if not description_container: description_container = soup.find('div', class_='description__text') # Another possible class job_description = "Description not found." if description_container: # get_text with separator preserves line breaks better than strip=True alone job_description = description_container.get_text(separator='\n', strip=True) print("Found Description (snippet):", job_description[:200] + "...") else: print("Warning: Could not find the job description container.") # --- Create Markdown File --- # Sanitize names for the filename safe_company_name = sanitize_filename(company_name) safe_job_title = sanitize_filename(job_title) # Create filename filename = f"{safe_company_name}_{safe_job_title}.md" # Ensure filename is not excessively long (optional) max_len = 150 if len(filename) > max_len: filename = filename[:max_len] + ".md" print(f"Preparing filename: {filename}") # Create Markdown content markdown_content = f"""## url [{url}]({url}) ## title {job_title} ## description {job_description} """ # Write to file try: with open(filename, 'w', encoding='utf-8') as f: f.write(markdown_content) print(f"Successfully saved job details to: {os.path.abspath(filename)}") except OSError as e: print(f"Error writing file {filename}: {e}") # Attempt saving with a generic name if the original failed generic_filename = "linkedin_job_details.md" print(f"Attempting to save as {generic_filename} instead.") try: with open(generic_filename, 'w', encoding='utf-8') as f: f.write(markdown_content) print(f"Successfully saved job details to: {os.path.abspath(generic_filename)}") except OSError as e2: print(f"Failed to save file even with generic name: {e2}") except requests.exceptions.RequestException as e: print(f"Error during requests to {url}: {e}") except Exception as e: print(f"An unexpected error occurred: {e}") # --- Main Execution --- if __name__ == "__main__": job_url = "https://www.linkedin.com/jobs/view/4217728775" # The URL you provided # Example with a different URL (uncomment to test) # job_url = "https://www.linkedin.com/jobs/view/3916492901/" if job_url: scrape_linkedin_job(job_url) else: print("Please provide a LinkedIn job URL in the script.")Cómo usar el script:
- Guarda el código anterior en un archivo llamado
scrape_linkedin.py. - Abre tu terminal o línea de comandos.
- Navega hasta el directorio donde guardaste el archivo.
- Ejecuta el script usando Python:
python scrape_linkedin.py - Si todo va bien, el script imprimirá los pasos que está realizando y al final creará un archivo
.mden el mismo directorio (por ejemplo,NombreDeLaEmpresa_TítuloDelPuesto.md) con el contenido extraído.
Recuerda: si el script falla o no extrae la información correctamente, lo más probable es que necesites actualizar los selectores CSS (
find('tag', class_='some-class')) dentro del script para que coincidan con la estructura HTML actual de la página de LinkedIn.- Fragilidad: LinkedIn cambia la estructura de su HTML con frecuencia. Los selectores (clases CSS como
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.