-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathsoup.py
288 lines (235 loc) · 12.4 KB
/
soup.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
import pprint
import requests
from bs4 import BeautifulSoup
import re
import pandas as pd
# df = pd.DataFrame(columns=['time_casa', 'tecnico_casa', 'time_fora', 'tecnico_fora',
# 'gols_casa', 'gols_fora', '11_casa', '11_fora', 'banco_casa', 'banco_fora'
# 'sub1_casa',
# 'sub_1_casa_tempo', 'sub2_casa', 'sub_2_casa_tempo',
# 'sub3_casa', 'sub_3_casa_tempo', 'sub4_casa', 'sub_4_casa_tempo',
# 'sub5_casa', 'sub_5_casa_tempo',
# 'sub1_fora', 'sub_1_fora_tempo', 'sub2_fora', 'sub_2_fora_tempo',
# 'sub3_fora', 'sub_3_fora_tempo', 'sub4_fora', 'sub_4_fora_tempo',
# 'sub5_fora', 'sub_5_fora_tempo'])
# qual a troca mais comum? qual o jogador mais substituido?
# qual time troca mais cedo? e mais tarde? e quais técnicos fazem isso?
url = 'https://fbref.com/pt/comps/24/cronograma/Serie-A-Resultados-e-Calendarios'
res = requests.get(url)
soup = BeautifulSoup(res.text, 'html.parser')
# pegar links do relatório de cada partida
relatorios = soup.find_all("a", string="Relatório da Partida")
relatorios_ls = []
for i in relatorios:
relatorios_ls.append(str(i))
# formatar os links, remover tags e inline HTML
temp = list(map(lambda x: str.replace(x, "<a href=\"", "https://fbref.com/"), relatorios_ls))
links_relatorios = list(map(lambda x: str.replace(x, "\">Relatório da Partida</a>", ""), temp))
# print(links_relatorios)
# enumarate(links_relatorios)
def stats_jogos(links_relatorios):
res = requests.get(links_relatorios)
soup = BeautifulSoup(res.text, 'html.parser')
gols = list(g.text for g in soup.find_all("div", class_="score"))
tecnicos = list(t.text.replace('Técnico: ', '') for t in soup.find_all("div", class_="datapoint"))
subs = list(s.text.replace('para ', '') for s in soup.select('small:contains("para ")'))
# print(subs)
return soup, gols, tecnicos, subs
def escalacao_casa(soup, gols, tecnicos, subs):
for escalacao in soup.find_all("div", class_="lineup", id="a"):
gols_casa = {'gols_casa': gols[0]}
tecnico_casa = {'tecnico_casa': tecnicos[0].replace('\xa0', ' ')}
time_casa = {'time_casa': escalacao.text.split(' ', 1)[0].replace('\n', '')}
jogadores_casa_regex = re.split(' \(|\n|\)|[\d]|-', escalacao.text)
jogadores_casa_temp = list(filter(None, jogadores_casa_regex))
onze_casa = {'11_casa': jogadores_casa_temp[1:12]}
banco_casa = {'banco_casa': jogadores_casa_temp[13:]}
# substituições
subs_casa = [sub for sub in subs if sub in jogadores_casa_temp]
# print(f'{time_casa} {gols_casa}')
# print(f'{tecnico_casa} - escalação: {onze_casa}')
# print(banco_casa)
return time_casa, tecnico_casa, gols_casa, onze_casa, banco_casa, subs_casa
def escalacao_fora(soup, gols, tecnicos, subs):
# time fora
for escalacao in soup.find_all("div", class_="lineup", id="b"):
gols_fora = {'gols_fora': gols[1]}
tecnico_fora = {'tecnico_fora': tecnicos[2].replace('\xa0', ' ')}
time_fora = {'time_fora': escalacao.text.split(' ', 1)[0].replace('\n', '')}
# regex para remover quebras de linha, números e escalação
jogadores_fora_regex = re.split(' \(|\n|\)|[\d]|-', escalacao.text)
jogadores_fora_temp = list(filter(None, jogadores_fora_regex))
# remover campos nulos na lista
onze_fora = {'11_fora': jogadores_fora_temp[1:12]} # slice da lista com os titulares
banco_fora = {'banco_fora': jogadores_fora_temp[13:]} # slice da lista com os reservas
subs_fora = [sub for sub in subs if sub in jogadores_fora_temp]
# print(f'{time_fora} {gols_fora}')
# print(f'{tecnico_fora} - escalação: {onze_fora}')
# print(banco_fora)
# print(f'Substitutos que entraram: {subs_fora}')
return time_fora, tecnico_fora, gols_fora, onze_fora, banco_fora, subs_fora
def substituicoes(subs_casa):
subs_list = []
for subs_list_soup in soup.select('tbody .center+ .right , th a'):
subs_list_text = subs_list_soup.get_text()
subs_list.append(subs_list_text)
# subs_dict = {subs_list[i]: subs_list[i + 1] for i in range(0, len(subs_list), 2)}
subs_dict = {}
for idx, i in enumerate(subs_list):
# print(idx, i)
try:
if int(subs_list.__getitem__(idx)) + int(subs_list.__getitem__(idx + 2)) == 90:
subs_dict[subs_list[idx - 1]] = subs_list[idx + 1]
# adicionar caso de substituição da substituição (soma das 3 minutagens == 90)
# exemplo: juan mata vs leicester 2016 (utd 2 - lcf)
elif int(subs_list.__getitem__(idx)) + int(subs_list.__getitem__(idx + 2)) + int(
subs_list.__getitem__(idx + 4)) == 90:
subs_dict[subs_list[idx - 1]] = subs_list[idx + 1]
subs_dict[subs_list[idx + 1]] = subs_list[idx + 3]
except TypeError:
continue
except ValueError:
continue
except IndexError:
break
subs_dict_casa = {}
subs_dict_fora = {}
for sub in subs_casa:
subs_dict_casa[sub] = subs_dict.get(str(sub))
for sub in subs_fora:
subs_dict_fora[sub] = subs_dict.get(str(sub))
return subs_dict_casa, subs_dict_fora, subs_list
def tempo_subs_casa(subs_casa, subs_dict_casa, subs_list):
sub1_casa = []
sub2_casa = []
sub3_casa = []
sub4_casa = []
sub5_casa = []
for idx, i in list(enumerate(subs_dict_casa.items())):
if idx == 0:
sub1_casa.append(i)
elif idx == 1:
sub2_casa.append(i)
elif idx == 2:
sub3_casa.append(i)
elif idx == 3:
sub4_casa.append(i)
elif idx == 4:
sub5_casa.append(i)
tempo_subs = []
for idx, i in enumerate(subs_list):
try:
if i in subs_dict_casa.keys():
tempo_subs.append(int(subs_list.__getitem__(idx + 1)))
except TypeError:
continue
except ValueError:
continue
except IndexError:
break
sub1_casa_tempo, sub2_casa_tempo, sub3_casa_tempo, sub4_casa_tempo, sub5_casa_tempo = [], [], [], [], []
try:
sub1_casa_tempo = sorted(tempo_subs)[0]
sub2_casa_tempo = sorted(tempo_subs)[1]
sub3_casa_tempo = sorted(tempo_subs)[2]
sub4_casa_tempo = sorted(tempo_subs)[3]
sub5_casa_tempo = sorted(tempo_subs)[4]
except IndexError:
None
return sub1_casa, sub2_casa, sub3_casa, sub4_casa, sub5_casa, \
sub1_casa_tempo, sub2_casa_tempo, sub3_casa_tempo, sub4_casa_tempo, sub5_casa_tempo
def tempo_subs_fora(subs_fora, subs_dict_fora, subs_list):
sub1_fora = []
sub2_fora = []
sub3_fora = []
sub4_fora = []
sub5_fora = []
for idx, i in list(enumerate(subs_dict_fora.items())):
if idx == 0:
sub1_fora.append(i)
elif idx == 1:
sub2_fora.append(i)
elif idx == 2:
sub3_fora.append(i)
elif idx == 3:
sub4_fora.append(i)
elif idx == 4:
sub5_fora.append(i)
tempo_subs = []
for idx, i in enumerate(subs_list):
try:
if i in subs_dict_fora.keys():
tempo_subs.append(int(subs_list.__getitem__(idx + 1)))
except TypeError:
continue
except ValueError:
continue
except IndexError:
break
sub1_fora_tempo, sub2_fora_tempo, sub3_fora_tempo, sub4_fora_tempo, sub5_fora_tempo = [], [], [], [], []
try:
sub1_fora_tempo = sorted(tempo_subs)[0]
sub2_fora_tempo = sorted(tempo_subs)[1]
sub3_fora_tempo = sorted(tempo_subs)[2]
sub4_fora_tempo = sorted(tempo_subs)[3]
sub5_fora_tempo = sorted(tempo_subs)[4]
except IndexError:
None
return sub1_fora, sub2_fora, sub3_fora, sub4_fora, sub5_fora, \
sub1_fora_tempo, sub2_fora_tempo, sub3_fora_tempo, sub4_fora_tempo, sub5_fora_tempo
# # teste_cuiaba_bahia = ['https://fbref.com//pt/partidas/6df78309/Cuiaba-Juventude-2021Maio29-Serie-A']
for idx, url in list(enumerate(links_relatorios)):
soup, gols, tecnicos, subs = stats_jogos(url)
time_casa, tecnico_casa, gols_casa, onze_casa, banco_casa, subs_casa = escalacao_casa(soup, gols, tecnicos, subs)
time_fora, tecnico_fora, gols_fora, onze_fora, banco_fora, subs_fora = escalacao_fora(soup, gols, tecnicos, subs)
subs_dict_casa, subs_dict_fora, subs_list = substituicoes(subs_casa)
sub1_casa, sub2_casa, sub3_casa, sub4_casa, sub5_casa, sub1_casa_tempo, sub2_casa_tempo, sub3_casa_tempo, sub4_casa_tempo, sub5_casa_tempo = tempo_subs_casa(
subs_casa, subs_dict_casa, subs_list)
sub1_fora, sub2_fora, sub3_fora, sub4_fora, sub5_fora, sub1_fora_tempo, sub2_fora_tempo, sub3_fora_tempo, sub4_fora_tempo, sub5_fora_tempo = tempo_subs_fora(
subs_fora, subs_dict_fora, subs_list)
sub1_casa = {k: v for k, v in enumerate(sub1_casa)}
sub2_casa = {k: v for k, v in enumerate(sub2_casa)}
sub3_casa = {k: v for k, v in enumerate(sub3_casa)}
sub4_casa = {k: v for k, v in enumerate(sub4_casa)}
sub5_casa = {k: v for k, v in enumerate(sub5_casa)}
sub1_fora = {k: v for k, v in enumerate(sub1_fora)}
sub2_fora = {k: v for k, v in enumerate(sub2_fora)}
sub3_fora = {k: v for k, v in enumerate(sub3_fora)}
sub4_fora = {k: v for k, v in enumerate(sub4_fora)}
sub5_fora = {k: v for k, v in enumerate(sub5_fora)}
if idx == 0:
dfs = pd.DataFrame([[time_casa.values(), tecnico_casa.values(), time_fora.values(), tecnico_fora.values(),
gols_casa.values(), gols_fora.values(),
onze_casa.values(), onze_fora.values(), banco_casa.values(), banco_fora.values(),
sub1_casa.values(), sub1_casa_tempo, sub2_casa.values(), sub2_casa_tempo,
sub3_casa.values(),
sub3_casa_tempo,
sub4_casa.values(), sub4_casa_tempo, sub5_casa.values(), sub5_casa_tempo,
sub1_fora.values(), sub1_fora_tempo, sub2_fora.values(), sub2_fora_tempo,
sub3_fora.values(), sub3_fora_tempo, sub4_fora.values(), sub4_fora_tempo,
sub5_fora.values(), sub5_fora_tempo]])
cols = {'columns': {0: 'time_casa', 1: 'tecnico_casa', 2: 'time_fora', 3: 'tecnico_fora', 4: 'gols_casa',
5: 'gols_fora',
6: '11_casa', 7: '11_fora', 8: 'banco_casa', 9: 'banco_fora', 10: 'sub1_casa',
11: 'sub1_casa_tempo', 12: 'sub2_casa', 13: 'sub2_casa_tempo', 14: 'sub3_casa',
15: 'sub3_casa_tempo', 16: 'sub4_casa',
17: 'sub4_casa_tempo', 18: 'sub5_casa', 19: 'sub5_casa_tempo',
20: 'sub1_fora', 21: 'sub1_fora_tempo', 22: 'sub2_fora', 23: 'sub2_fora_tempo',
24: 'sub3_fora',
25: 'sub3_fora_tempo', 26: 'sub4_fora', 27: 'sub4_fora_tempo', 28: 'sub5_fora',
29: 'sub5_fora_tempo'}}
dfs.reset_index(drop=True).rename(**cols)
else:
dfs_i = pd.DataFrame([[time_casa.values(), tecnico_casa.values(), time_fora.values(), tecnico_fora.values(),
gols_casa.values(), gols_fora.values(),
onze_casa.values(), onze_fora.values(), banco_casa.values(), banco_fora.values(),
sub1_casa.values(), sub1_casa_tempo, sub2_casa.values(), sub2_casa_tempo,
sub3_casa.values(),
sub3_casa_tempo,
sub4_casa.values(), sub4_casa_tempo, sub5_casa.values(), sub5_casa_tempo,
sub1_fora.values(), sub1_fora_tempo, sub2_fora.values(), sub2_fora_tempo,
sub3_fora.values(), sub3_fora_tempo, sub4_fora.values(), sub4_fora_tempo,
sub5_fora.values(), sub5_fora_tempo]])
dfs_i.reset_index(drop=True).rename(**cols)
dfs_final = dfs.append(dfs_i, ignore_index=True)
dfs = dfs_final