Tutorial Outwit – récupération de listes

Publié le 24 mai 2008 et mis à jour le 1 août 2008 - 3 commentaires -
PDF Afficher une version imprimable de cet article

Après avoir décrit l’objet du logiciel Outwit Hub, passons à un petit tutorial qui vous permettra de l’expérimenter pour une application pratique: la récupération de listes de sites web. Il vous faudra d’abord installer ou disposer de Firefox 3.x de Firefox. Ensuite, vous installerez la bêta d’Outwit Hub. Elle fonctionne sur Windows, MacOS comme sur Linux.

Je vais utiliser ici un exemple de récupération de données structurées déjà exploité pour la préparation de mes supports de cours sur l’économie de l’innovation : la liste du Forbes 2000 qui regroupe les 2000 plus grandes entreprises mondiales. Elle est porteuse d’une très grande richesse d’informations. Cette liste apparait sous forme de tableaux que l’on peut copier coller à la main dans Excel. Mais il faut charger 20 pages ce qui est bien fastidieux.

Alors, lançons Firefox puis Outwit Hub à partir de l’icone installée dans la toolbar de Firefox par ce dernier comme indiqué ci-dessous.

image

Dans la barre d’URL d’Outwit Hub, collez l’URL de Forbes. Faites “Enter” et la page s’affiche comme dans tout navigateur. Ensuite, cliquez sur le tab “Data” comme indiqué ci-dessous.

image

Cela affiche les données tabulées de la page HTML. Mais on n’a pas encore un beau tableau. Pour ce faire, cliquez sur le bouton “Guess” comme indiqué ci-dessous. Cette fonction déclenche la détection automatique d’un véritable tableau de données structurées par Outwit.

image

Le résultat apparait ci-dessous. A partir de là, on va sélectionner toutes les lignes dans la liste, par exemple en cliquant sur une ligne et en faisant “CTRL-A” avec le clavier. Et puis, on va la copier dans la zone en bas de la fenêtre qui est le “Catch” en cliquant sur le bouton du même nom. Le catch, c’est ce que l’on a attrapé dans les pages et qui s’accumule au fur et à mesure. Ensuite, on peut récupérer ce qu’il y a dans le catch de différentes manières selon qu’il s’agit d’images ou de listes.

image

Maintenant, nous allons lancer le processus qui va automatiquement récupérer la suite du Forbes 2000 dans les 19 pages web suivantes. Il faut d’abord sélectionner la checkbox “Catch selection” qui indique que dans toute ouverture de page ou sélection de page suivante, le contenu identifié sera automatiquement basculé dans le catch. Ensuite, on cliquera sur la “double flèche droite” (fast forward) qui est dans la barre d’outils en haut de Outwit. Elle déclenchera l’analyse automatique des pages suivantes jusqu’à la vingtième. Si on veut le faire à la main, on peut utiliser le bouton “flèche droite” (“Play”) page par page. On peut aussi arrêter le scan automatique des pages avec ESC ou en cliquant à nouveau sur la double flèche.

image

Une fois les 20 pages scannées ce qui prend quelques minutes à peine, le catch comprend bien 2000 entrées. On va maintenant le sauvegarder pour l’exploiter.

image

Pour ce faire, on va dans le menu “File” et on lance “Export selection as…“. Le seul format supporté est pour l’instant Excel. C’est en fait un schéma XML supporté par Excel, mais je ne sais pas trop lequel. Et il n’est pas lisible dans OpenOffice 2.4. Un export CSV est en tout cas prévu à terme. Et on peut tout de même copier la sélection du haut ou celle du catch dans le presse papier pour la récupérer ailleurs (avec le bouton droit de la souris et “Copy“).

image

Et on ouvre le fichier sous Excel, version 2007 US dans l’exemple ci-dessous (ça fonctionne peut-être sous OpenOffice). On élimine ensuite les colonnes inutiles. On peut constater que la colonne “Rank” n’a pas été bien récupérée mais ce n’est pas grave dans ce cas là. C’est un défaut qui sera traité dans les évolutions d’Outwit pour faire en sorte que la détection automatique de la structure des tables d’une page ne soit pas refaire à chaque page.

image

Pour exploiter les données, il faut les normaliser au format français : on sélectionne les colonnes de chiffres, on utilise la fonction de Recherche/Remplacement d’Excel pour remplacer les “,” (virgules) par rien du tout, et ensuite les “.” par “,” et le tour est joué. Là encore, cette transformation devrait être effectuée automatiquement par Outwit Hub après la fin de la bêta en fonction de vos “Regional Settings”.

Et hop, on créé un petit tableau dynamique croisé et un camember avec par exemple la répartition par pays de la capitalisation boursière des 2000 plus grandes entreprises mondiales.

image

Pour l’instant, ce processus automatique (Guess) ne fonctionne pas encore parfaitement sur tous les sites. J’ai pu le tester avec succès sur Kelkoo.fr et quelques autres sites comme des sites de recherche d’emploi. Mais entre les quatre fonctionnalités d’extraction de données sous l’onglet “Data” (trois sont automatiques: tables, listes et guess, et une est manuelle : scrapers), il y a en général toujours un moyen de s’en sortir. D’autres tutoriaux suivront qui seront publiés sur le site d’Outwit.

A vous de jouer maintenant…

Le tutoriel suivant traitera de la récupération d’images.

Article mis à jour le 1ier août 2008 pour tenir compte de la compatibilité d’Outwit Hub avec Firefox. Mais le tutoriel n’a pas été encore retesté dans cette version.

RRR

 
S
S
S
S
S
S
S
img
img
img

Publié le 24 mai 2008 et mis à jour le 1 août 2008 Post de | Economie, Entrepreneuriat, Innovation, Internet, Logiciels | 20953 lectures

PDF Afficher une version imprimable de cet article          

Reçevez par email les alertes de parution de nouveaux articles :


 

RRR

 
S
S
S
S
S
S
S
img
img
img

Les 3 commentaires et tweets sur “Tutorial Outwit – récupération de listes” :




Ajouter un commentaire

Vous pouvez utiliser ces tags dans vos commentaires :<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong> , sachant qu'une prévisualisation de votre commentaire est disponible en bas de page après le captcha.

Captcha

Pour valider votre commentaire, veuillez saisir les lettres ci-dessus et cliquer sur le bouton Publier le commentaire ci-dessus.


Derniers articles

Derniers albums photos

Depuis juillet 2014, mes photos sont maintenant intégrées dans ce site sous la forme d'albums consultables dans le plugin "Photo-Folders". Voici les derniers albums publiés ou mis à jour. Cliquez sur les vignettes pour accéder aux albums.
albth
Laval Virtual Mar2017
2017
62 photos
albth
Nouveaux portraits
Expo
442 photos
albth
Hacking Hôtel de Ville de Paris Mar2017
2017
55 photos
albth
Journée de la Femme Digitale Mar2017
2017
77 photos
albth
CES 2017
2017
3109 photos
albth
Femmes en noir et blanc
Book
107 photos
albth
FrenchTech CES Kickoff Paris Dec2016
2016
24 photos

Téléchargements gratuits

Le Rapport du CES de Las Vegas, publié chaque année en janvier depuis 2006. Vous souhaitez une restitution personnalisée et un point de veille du marché pour votre organisation ? Contactez-moi.

CouvertureRapportCES

Le Guide des Startups, mis à jour chaque année en mars, avec la somme la plus complète et actualisée d'informations pour lancer et faire vivre votre startup :

image

Voir aussi la liste complète des publications de ce blog.

image

Avec Marie-Anne Magnac, j'ai lancé #QFDN, l'initiative de valorisation de femmes du numérique par la photo. Installée depuis début octobre 2015 au Hub de Bpirance à Paris, elle circule dans différentes manifestations. L'initiative rassemble plus de 530 femmes du numérique (en janvier 2016) et elle s'enrichi en continu. Tous les métiers du numérique y sont représentés.

Les photos et les bios de ces femmes du numérique sont présentés au complet sur le site QFDN ! Vous pouvez aussi visualiser les derniers portraits publiés sur mon propre site photo. Et ci-dessous, les 16 derniers par date de prise de vue, les vignettes étant cliquables.
flow
Clémence Monvoisin (Talan)
Clémence est consultante management et SI, pour différents comptes du secteur public et en particulier dans le monde de la culture, chez Talan.
flow
Barbara Brodard (Talan)
Ingénieure ESTP, Barbara est consultante chez Talan Consulting, filiale du groupe Talan.
flow
Parisa Majlessi (Talan)
Parisa est consultante en data science chez Talan.
flow
Anne-Sophie Girault (Talan)
Anne-Sophie est Product Owner Senior et Coach Agile chez Talan.
flow
Gaëlle Durand (Talan)
Gaëlle est responsable de l'Offre Pilotage chez Talan Solutions.
flow
Anne-Laure Jeune Nozier (Talan)
Anne-Laure est responsable de l'offre Machine learning / Intelligence Artificielle chez Talan Solutions.
flow
Sandrine Chevance (Talan)
Sandrine est responsable de la TMA décisionnelle pour sept clients actifs et responsable RH du pôle Business Analytics chez Talan.
flow
Kiti Mignotte Gabrielle Garmier Emmanuelle Neyroumande et Capucine Lebois (Mana Community)
Kiti Mignotte, Gabrielle Garmier, Emmanuelle Neyroumande et Capucine Lebois constituent l'équipe de Mana Community, une ONG qui détecte les informations de lanceurs d'alerte sur les marques et informe les investisseurs à leur sujet.
flow
Léa Zaslavsky (SenseCube)
Léa est cofondatrice et directrice de l'incubateur de startups sociales SenseCube, qui fait partie de l'écosystème Makesense.
flow
Moojan Asghari (Startup Sesame)
Moojan est co-fondatrice et COO de Startup Sesame.
flow
Hélène Schlesinger (Google)
Hélène est Platform Specialist chez Google à Paris.
flow
Vera Baturina (Google)
Vera est software engineer chez Google France dans l'équipe d'optimisation et recherche opérationnelle. Elle est notamment diplômée en machine learning.
flow
Coralie Héritier (IDnomic)
Coralie est Directrice Générale de IDnomic, leader français de la protection et de la gestion des identités numériques.
flow
Blandine Delaporte (CheckPoint)
Blandine est manager de l'équipe avant-vente de Check Point France et membre du CEFCYS (CErcle des Femmes de la CYberSécurité).
flow
Magali Paletti
Magali est spécialisée dans le domaine de la sécurité des systèmes d'informations et des données, en direction de projets et en conseil opérationnel et stratégique en cybersécurité.
flow
Anne-Claire Haury (Google)
Anne-Claire est data-scientist chez Google à Paris avec un double background de mathématiques appliquées à l'ENSAE et un doctorat de bio-informatique à l'Ecole des Mines.

Derniers commentaires

“@olivez illustre les startups Medtech via @Microlight3D. Ttes lesMedetch au MedFIT 2017…...”
“Depuis, Charlotte Marchandise, candidate de La s'est alliée avec Julien Letailleur, "candidat viruel" retoqué, un Artifice...”
“Most of the #medical #software companies working in innovative solutions are still focusing on #genomics or a...”
“Tour d'horizon des biotechs prometteuses (cardio-vasculaire, diabéte, maladies rares,..)...”
“#lemasteraencorefrappe ;) "Startups scientifiques : biotechs 2" de @olivez sur ...”

Tweets sur @olivez



Abonnement email

Pour recevoir par email les alertes de parution de nouveaux articles :


 

RRR

 
S
S
S
S
S
S
S
img
img
img


Catégories

Tags

http://www.oezratty.net/wordpress/2016/ecosysteme-entrepreneurial-guyane/

Voyages

Voici les compte-rendu de divers voyages d'études où j'ai notamment pu découvrir les écosystèmes d'innovation dans le numérique de ces différents pays :

Evénements

J'interviens dans de nombreuses conférences, événements, et aussi dans les entreprises. Quelques exemples d'interventions sont évoqués ici. De nombreuses vidéos de mes interventions en conférence sont également disponibles sur YouTube.