Bot de LaLiga: objetivo y scraping del calendario

Esta serie cuenta cómo construí un bot que sigue el calendario de cualquier equipo de Primera o Segunda División, lo sincroniza en Google Calendar y me avisa por Telegram cuando cambia un horario. Todo sin mantener un servidor: el script corre en la nube de GitHub. Empezamos por la parte más delicada: sacar los datos.

Por qué un bot serverless

En lugar de alquilar un servidor encendido 24/7, usé GitHub Actions para ejecutar el script de forma periódica y con coste cero. El stack quedó así:

• Python 3.11+.
• Requests + Beautiful Soup 4 para el scraping.
• Google Calendar API v3 con una cuenta de servicio.
• Telegram Bot API para las alertas.
• GitHub Actions como planificador.

La guerra por una fuente de datos

Lo que parecía el paso fácil resultó ser el más complicado. Probé varias fuentes antes de encontrar una estable:

• BeSoccer: selectores de clase inestables, cambios de estructura y bloqueos.
• resultados-futbol.com: devolvía 403 Forbidden a las peticiones directas.
• Playwright (navegador Chromium headless): conseguía cargar el DOM, pero el resultado seguía siendo frágil: logs con “0 bloques de información” y un montón de dependencias para mantener.

Lección: las webs de resultados bloquean las peticiones directas (403) y cambian sus selectores a menudo. Antes de montar un navegador headless, merece la pena buscar una página con HTML público y estructura estable.

La solución: el calendario de El Mundo

El Mundo publica el calendario completo de cada división en HTML plano y accesible:

• Primera: https://www.elmundo.es/deportes/futbol/primera-division/calendario.html
• Segunda: https://www.elmundo.es/deportes/futbol/segunda-division/calendario.html

Cada partido vive en una fila de tabla (<tr>) con un formato muy predecible:

Real Madrid 26/08 21:00 R. Sociedad

El scraper

La función recibe la URL de la división y el nombre del equipo como parámetros. Así el mismo código sirve para cualquier equipo:

import requests
from bs4 import BeautifulSoup
import re

def extraer_calendario_elmundo(url_division, nombre_equipo):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
    }
    try:
        response = requests.get(url_division, headers=headers, timeout=15)
        if response.status_code != 200:
            print(f"[Error] No se pudo acceder a la URL: {url_division}")
            return []

        soup = BeautifulSoup(response.text, 'html.parser')
        filas_partidos = soup.find_all('tr')
        partidos_estructurados = []
        contador_jornada = 1

        for fila in filas_partidos:
            texto = fila.get_text()
            if nombre_equipo in texto:
                texto_limpio = " ".join(texto.split()).strip()
                if len(texto_limpio) > 15:
                    match = re.search(r'^(.*?)\s+(\d{2}/\d{2})\s+(\d{2}:\d{2})\s+(.*)$', texto_limpio)
                    if match:
                        local = match.group(1).strip()
                        fecha_corta = match.group(2).strip()
                        hora = match.group(3).strip()
                        visitante = match.group(4).strip()

                        mes = int(fecha_corta.split('/')[1])
                        anio = 2026 if mes >= 8 else 2027
                        fecha_iso = f"{anio}-{fecha_corta.split('/')[1]}-{fecha_corta.split('/')[0]}"

                        if local == nombre_equipo:
                            rival = visitante
                            ubicacion = f"Estadio del {nombre_equipo}"
                            titulo_evento = f"{nombre_equipo} vs {rival} (J{contador_jornada})"
                        else:
                            rival = local
                            ubicacion = f"Estadio del {rival}"
                            titulo_evento = f"{rival} vs {nombre_equipo} (J{contador_jornada})"

                        partidos_estructurados.append({
                            "jornada": contador_jornada,
                            "titulo": titulo_evento,
                            "fecha_iso": fecha_iso,
                            "hora": hora,
                            "ubicacion": ubicacion
                        })
                        contador_jornada += 1
        return partidos_estructurados
    except Exception as e:
        print(f"Error en extracción: {e}")
        return []

La expresión regular

La clave está en el patrón que separa las cuatro partes de cada fila:

r'^(.*?)\s+(\d{2}/\d{2})\s+(\d{2}:\d{2})\s+(.*)$'

• (.*?) → equipo local (de forma perezosa).
• (\d{2}/\d{2}) → fecha corta DD/MM.
• (\d{2}:\d{2}) → hora HH:MM.
• (.*) → equipo visitante.

Deduciendo el año

La web solo publica DD/MM, así que deduzco el año según la temporada. Una temporada va de agosto a junio: si el mes es agosto o posterior, es el año de inicio; si no, es el siguiente.

anio = 2026 if mes >= 8 else 2027

Haciéndolo configurable

El punto de entrada lee el equipo y la liga de variables de entorno:

EQUIPO = os.environ.get("EQUIPO_OBJETIVO")
URL_LIGA = os.environ.get("URL_LIV_DIVISION")

Lección: el nombre del equipo debe coincidir exactamente con el que usa la web (por ejemplo R. Sociedad, no Real Sociedad). Por eso en el README dejé listas desplegables con los nombres exactos de Primera y Segunda para copiar y pegar.

Con esto ya tenemos la lista estructurada de partidos. En la siguiente parte conectamos el bot de Telegram para recibir las alertas cuando cambie un horario.