 Conteúdo

Curso Grátis - Acessando a API da Betfair Curso Grátis - Acessando a API

da Betfair
Bem vindo ao nosso curso grátis sobre como acessar a API da Betfair e começar a extrair os seus
próprios dados para apoiar a sua tomada de decisão no trade esportivo e dar os primeiros passos na A estrutura da API da Betfair

análise de dados com Python. Imports e arquivos de

configuração
Antes de iniciarmos, vamos nos apresentar. A Academia dos Bots tem por objetivo trazer cursos
Abrindo uma conexão
voltados para análise de dados de futebol, criação de bots para apoio na tomada de decisão nas
Listando Eventos
apostas, extração de dados da internet por meio de crawlers, modelagem estatística voltada para o
Listando Mercados
futebol e muito mais, tudo isto utilizando Python, R e SQL.
Obtendo Odds
Ao longo deste material, aprenderemos de maneira simples e intuitiva como é o funcionamento básico Exportando arquivo final
da API e como realizar a primeira extração das odds de algum jogo.

Importante - Este material é parte integrante da série de vídeos que encontra-se neste link
https://www.youtube.com/channel/UCvQwP2UX2b6Ov_F7eagUleQ

A estrutura da API da Betfair

Antes de mais nada, você sabe o que é uma API? De maneira resumida, uma API permite que uma
aplicação A tenha acesso a recursos da aplicação B, sem ter a necessidade de conhecer todo o
processo de desenvolvimento e realização de integrações complexas. Em nosso caso, nós somos a
aplicação A que irá buscar os dados da aplicação B (Betfair).

Para termos uma noção do que queremos acessar, vamos olhar a origem dos dados e entender como
ele está estruturado. Observando o site, logo de cara nos deparamos com uma infinidade de
informações.

Aqui, vamos fazer o nosso primeiro filtro: queremos obter as cotações (odds) de algum mercado (gols,
Match Odds, cantos, etc.) de um jogo (evento) pertencente a uma competição de algum esporte.
Percebeu a relação? Para acessar os dados, assim que entender esta relação nosso trabalho ficará
muito mais simples.

Na Betfair, teremos uma sequência de etapas a serem realizadas e que estão diretamente relacionadas
com a relação citada anteriormente. Abaixo, vamos entender este processo por meio de um diagrama:
Legal este fluxo né!? Vamos colocar a mão na massa?!

Imports e arquivos de configuração

import datetime
import pandas as pd
import betfairlightweight
import time

username = "seu_email_betfair"
pw = "sua_senha_betfair"
app_key = "sua_appkey"
Imprimir em PDF

Abrindo uma conexão

#Abrindo a conexão com a lib betfairlightweight
trading = betfairlightweight.APIClient(username, pw, app_key=app_key, cert_files=
('./certs/tt_app_test.crt','./certs/client-2048.key'))
trading.login()

<LoginResource>
Listando Eventos
# Definindo os filtros de Mercado
filtros_mercado = betfairlightweight.filters.market_filter(
event_type_ids=['1'], # ID para Futebol
competition_ids=[321319], #Competições
market_start_time={
'to': (datetime.datetime.utcnow() + datetime.timedelta(days=1)).strftime("%Y-%m-
%dT%TZ")
}
)

#listando os eventos a partir dos filtros pré definidos acima

eventos_futebol = trading.betting.list_events(
filter=filtros_mercado
)

#listando as competições de futebol disponíveis

competicoes_futebol = trading.betting.list_competitions(
filter=filtros_mercado
)

planilha_eventos_futebol = pd.DataFrame({
'NomeEvento': [obj_evento.event.name for obj_evento in eventos_futebol],
'IDEvento': [obj_evento.event.id for obj_evento in eventos_futebol],
'LocalEvento': [obj_evento.event.venue for obj_evento in eventos_futebol],
'CodPais': [obj_evento.event.country_code for obj_evento in eventos_futebol],
'TimeZone': [obj_evento.event.time_zone for obj_evento in eventos_futebol],
'DataAbertura': [obj_evento.event.open_date for obj_evento in eventos_futebol],
'TotalMercados': [obj_evento.market_count for obj_evento in eventos_futebol],
'DataLocal':
[obj_evento.event.open_date.replace(tzinfo=datetime.timezone.utc).astimezone(tz=None)
for obj_evento in eventos_futebol]
})

planilha_eventos_futebol

NomeEvento IDEvento LocalEvento CodPais TimeZone DataAbertura TotalMercados

Remo v 2021-11-15
0 31065570 None BR GMT 29
Goias 23:00:00

Brusque FC 2021-11-15
1 31065555 None BR GMT 29
v CRB 19:00:00

Nautico PE v
2021-11-15
2 Sampaio 31065571 None BR GMT 29
21:00:00
Correa FC

Vila Nova v
2021-11-15
3 Vasco da 31065574 None BR GMT 29
21:00:00
Gama

Botafogo v 2021-11-15
4 31065572 None BR GMT 29
Operario PR 19:00:00

Londrina v 2021-11-15
5 31065573 None BR GMT 29
Ponte Preta 19:00:00
Listando Mercados
id_evento = 31065573

filtro_catalogo_mercados = betfairlightweight.filters.market_filter(event_ids=
[id_evento])

catalogos_mercado = trading.betting.list_market_catalogue(
filter=filtro_catalogo_mercados,
max_results='100',
sort='FIRST_TO_START',
market_projection=['RUNNER_METADATA']
)

# Create a DataFrame for each market catalogue

planilha_mercados = pd.DataFrame({
'NomeMercado': [market_cat_object.market_name for market_cat_object in
catalogos_mercado],
'IDMercado': [market_cat_object.market_id for market_cat_object in
catalogos_mercado],
'TotalCorrespondido': [market_cat_object.total_matched for market_cat_object in
catalogos_mercado],
'Home' : [market_cat_object.runners[0].runner_name for market_cat_object in
catalogos_mercado],
'Home_id' : [market_cat_object.runners[0].selection_id for market_cat_object in
catalogos_mercado],
'Away' : [market_cat_object.runners[1].runner_name for market_cat_object in
catalogos_mercado],
'Away_id' : [market_cat_object.runners[1].selection_id for market_cat_object in
catalogos_mercado],
'Draw' : [market_cat_object.runners[2].runner_name if len(market_cat_object.runners)
> 2 else '' for market_cat_object in catalogos_mercado],
'Draw_id' : [market_cat_object.runners[2].selection_id if
len(market_cat_object.runners) > 2 else 0 for market_cat_object in catalogos_mercado]
})

planilha_mercados
 NomeMercado IDMercado TotalCorrespondido Home Home_id

0 Match Odds 1.190674822 22022.02562 Londrina 4525642 Ponte

Total Goals
1 1.190674823 73.33000 Odd 955466
Odd/Even

2 Londrina +1 1.190674824 0.00000 Londrina +1 7074785 Ponte P

First Half
3 1.190674825 1431.10828 Under 0.5 Goals 5851482 Over 0.5
Goals 0.5

Over/Under
4 1.190674818 0.00000 Under 7.5 Goals 1485572 Over 7.5
7.5 Goals

Over/Under
5 1.190674819 0.00000 Under 8.5 Goals 2407528 Over 8.5
8.5 Goals

First Half
6 1.190674820 1172.18005 Under 2.5 Goals 47972 Over 2.5
Goals 2.5

Both teams to
7 1.190674821 3296.69681 Yes 30246
Score?

Asian
8 1.190674779 6717.90796 Londrina 4525642 Ponte
Handicap

Double
9 1.190674813 88.65597 Home or Draw 6384646 Draw or
Chance

10 Draw no Bet 1.190674814 336.43804 Londrina 4525642 Ponte

11 Ponte Preta +1 1.190674815 0.00000 Ponte Preta +1 6747718 Lond

Londrina Win
12 1.190674816 0.00000 Yes 30246
to Nil

Ponte Preta
13 1.190674817 0.00000 Yes 30246
Win to Nil

14 Goal Lines 1.190674744 1464.62009 Under 7044483

Over/Under
15 1.190674778 4918.60975 Under 3.5 Goals 1222344 Over 3.5
3.5 Goals

Half Time/Full
16 1.190674835 1364.08466 Londrina/Londrina 7074784 Londrina
Time

Over/Under
17 1.190674836 3010.34316 Under 1.5 Goals 1221385 Over 1.5
1.5 Goals

Londrina
18 1.190674837 0.00000 Yes 30246
Clean Sheet

Ponte Preta
19 1.190674838 0.00000 Yes 30246
Clean Sheet

Over/Under
20 1.190674830 109.62835 Under 5.5 Goals 1485567 Over 5.5
5.5 Goals

21 Correct Score 1.190674831 3653.74058 0-0 1

Over/Under
22 1.190674832 3823.93951 Under 2.5 Goals 47972 Over 2.5
2.5 Goals

Over/Under
23 1.190674833 10483.40346 Under 4.5 Goals 1222347 Over 4.5
4.5 Goals

Half Time
24 1.190674834 358.14372 0-0 1
Score

Over/Under
25 1.190674826 1942.51170 Under 0.5 Goals 5851482 Over 0.5
0.5 Goals

First Half
26 1.190674827 732.56670 Under 1.5 Goals 1221385 Over 1.5
Goals 1.5

Over/Under
27 1.190674828 1.02662 Under 6.5 Goals 2542448 Over 6.5
6.5 Goals

28 Half Time 1.190674829 880.54664 Londrina 4525642 Ponte

Obtendo Odds
df_final = pd.DataFrame()
for i in range(0,60):
order_filter = betfairlightweight.filters.ex_best_offers_overrides(
best_prices_depth=3
)

price_filter = betfairlightweight.filters.price_projection(
price_data=['EX_BEST_OFFERS'],
ex_best_offers_overrides=order_filter
)

# Obtendo odds para o mercado

market_books = trading.betting.list_market_book(
market_ids=['1.190674822'],
price_projection=price_filter
)

#Lista de runners
runners = market_books[0].runners

back = []
for i in range(0,3):
try:
back.append([runner_book.ex.available_to_back[i].price
if runner_book.ex.available_to_back
else 1.01
for runner_book
in runners])
except:
back.append([1.01,1.01])

lay = []
for i in range(0,3):
try:
lay.append([runner_book.ex.available_to_lay[i].price
if runner_book.ex.available_to_lay
else 1.01
for runner_book
in runners])
except:
lay.append([[1.01,1.01,1.01]])

df_back = pd.DataFrame(back,columns=['Casa','Visitante','Empate'])
df_back['data'] = datetime.datetime.now()
df_back['Jogo'] =
planilha_eventos_futebol.query('IDEvento=="31065573"').NomeEvento.values[0]
df_final = df_final.append(df_back)
time.sleep(2)

Exportando arquivo final

df_final.to_csv('2021_11_15_serieb_londrina_vs_ponte.csv',index=False)

Previous Next
 Apresentação Como analisar dados de Futebol


De Academia dos Bots

© direito autoral 2021.