Web Scraping
BeautifulSoup, requests, parsing HTML, XPath, CSS selectors, APIs, pagination, best practices
1Quelle bibliothèque Python est généralement utilisée pour effectuer des requêtes HTTP avant de parser le contenu HTML ?
Quelle bibliothèque Python est généralement utilisée pour effectuer des requêtes HTTP avant de parser le contenu HTML ?
Réponse
La bibliothèque requests est la référence en Python pour effectuer des requêtes HTTP de manière simple et intuitive. Elle permet de faire des requêtes GET, POST et autres verbes HTTP avec une API claire. BeautifulSoup ne fait pas de requêtes HTTP, elle ne fait que parser le HTML une fois récupéré.
2Quel est le rôle principal de BeautifulSoup dans un projet de web scraping ?
Quel est le rôle principal de BeautifulSoup dans un projet de web scraping ?
Réponse
BeautifulSoup est une bibliothèque de parsing HTML/XML qui permet de naviguer, rechercher et extraire des données dans un document HTML. Elle crée une arborescence du document qui facilite la recherche d'éléments via des méthodes comme find() et find_all(). Elle ne fait pas de requêtes HTTP.
3Quelle méthode BeautifulSoup permet de trouver tous les éléments correspondant à un critère donné ?
Quelle méthode BeautifulSoup permet de trouver tous les éléments correspondant à un critère donné ?
Réponse
La méthode find_all() retourne une liste de tous les éléments correspondant aux critères spécifiés (tag, attributs, classe, etc.). La méthode find() ne retourne que le premier élément trouvé. select() utilise des sélecteurs CSS et select_one() retourne un seul élément avec un sélecteur CSS.
Comment spécifier un header User-Agent personnalisé lors d'une requête avec requests ?
Quel attribut de l'objet Response permet d'obtenir le contenu HTML sous forme de texte ?
+15 questions d'entretien
Autres sujets d'entretien Data Science & ML
Les bases de Python
Programmation Orientée Objet Python
Structures de données Python
Fondamentaux Git
Les bases de SQL
Fondamentaux NumPy
Les bases de Pandas
Jupyter & Google Colab
SQL Joins & Requêtes avancées
Pandas avancé
Visualisation avec Matplotlib & Seaborn
Visualisations interactives avec Plotly
Statistiques descriptives
Statistiques inférentielles
BigQuery & Cloud Data
Feature Engineering
ML Supervisé : Régression
ML Supervisé : Classification
Arbres de décision & Ensembles
ML Non supervisé
Pipelines ML & Validation
Séries temporelles & Prévisions
Fondamentaux Deep Learning
TensorFlow & Keras
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps & Déploiement
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement