Web Scraping
BeautifulSoup, requests, parsing HTML, XPath, seletores CSS, APIs, paginação, melhores práticas
1Qual biblioteca Python é tipicamente usada para fazer requisições HTTP antes de parsear conteúdo HTML?
Qual biblioteca Python é tipicamente usada para fazer requisições HTTP antes de parsear conteúdo HTML?
Resposta
A biblioteca requests é o padrão em Python para fazer requisições HTTP de forma simples e intuitiva. Permite realizar requisições GET, POST e outros verbos HTTP com uma API clara. BeautifulSoup não faz requisições HTTP, apenas parseia o HTML uma vez obtido.
2Qual é o papel principal do BeautifulSoup em um projeto de web scraping?
Qual é o papel principal do BeautifulSoup em um projeto de web scraping?
Resposta
BeautifulSoup é uma biblioteca de parsing HTML/XML que permite navegar, buscar e extrair dados de um documento HTML. Cria uma árvore do documento que facilita a busca de elementos através de métodos como find() e find_all(). Não faz requisições HTTP.
3Qual método do BeautifulSoup permite encontrar todos os elementos que correspondem a um critério dado?
Qual método do BeautifulSoup permite encontrar todos os elementos que correspondem a um critério dado?
Resposta
O método find_all() retorna uma lista de todos os elementos que correspondem aos critérios especificados (tag, atributos, classe, etc.). O método find() retorna apenas o primeiro elemento encontrado. select() usa seletores CSS e select_one() retorna um único elemento com um seletor CSS.
Como especificar um header User-Agent personalizado ao fazer uma requisição com requests?
Qual atributo do objeto Response retorna o conteúdo HTML como texto?
+15 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis