Skip to content
Extraits de code Groupes Projets
Valider 390e07fb rédigé par Bastien Le Querrec's avatar Bastien Le Querrec
Parcourir les fichiers

pref64: corrige l'analyse des pages

parent aec0608f
Aucune branche associée trouvée
Aucune étiquette associée trouvée
Aucune requête de fusion associée trouvée
......@@ -11,15 +11,8 @@ class Attrap_pref64(Attrap):
# Config
__HOST = 'https://www.pyrenees-atlantiques.gouv.fr'
__RAA_PAGE = {
'2024': f'{__HOST}/Publications/Recueil-des-actes-administratifs/Annee-2024',
'2023': f'{__HOST}/Publications/Recueil-des-actes-administratifs/Annee-2023',
'2022': f'{__HOST}/Publications/Recueil-des-actes-administratifs/Annee-2022',
'2021': f'{__HOST}/Publications/Recueil-des-actes-administratifs/Annee-2021',
'2020': f'{__HOST}/Publications/Recueil-des-actes-administratifs/Annee-2020',
'2019': f'{__HOST}/Publications/Recueil-des-actes-administratifs/Annee-2019'
}
__USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64; rv:109.0) Gecko/20100101 Firefox/115.0'
__RAA_PAGE = f'{__HOST}/Publications/Recueil-des-actes-administratifs'
__USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64; rv:129.0) Gecko/20100101 Firefox/129.0'
full_name = 'Préfecture des Pyrénées-Atlantiques'
short_code = 'pref64'
......@@ -28,53 +21,38 @@ class Attrap_pref64(Attrap):
self.set_sleep_time(30)
def get_raa(self, keywords):
year_pages_to_parse = []
if self.not_before.year <= 2024:
year_pages_to_parse.append(self.__RAA_PAGE['2024'])
if self.not_before.year <= 2023:
year_pages_to_parse.append(self.__RAA_PAGE['2023'])
if self.not_before.year <= 2022:
year_pages_to_parse.append(self.__RAA_PAGE['2022'])
if self.not_before.year <= 2021:
year_pages_to_parse.append(self.__RAA_PAGE['2021'])
if self.not_before.year <= 2020:
year_pages_to_parse.append(self.__RAA_PAGE['2020'])
if self.not_before.year <= 2019:
year_pages_to_parse.append(self.__RAA_PAGE['2019'])
pages_to_parse = []
# Pour chaque année, on cherche les sous-pages de mois
for year_page in year_pages_to_parse:
# On récupère les pages d'années
year_pages = []
page_content = self.get_page(self.__RAA_PAGE, 'get').content
for year_page in self.get_sub_pages(
page_content,
'div.fr-card__body div.fr-card__content h2.fr-card__title a',
self.__HOST,
False
):
year = Attrap.guess_date(year_page['name'], '.* ([0-9]{4})').year
if year < 9999 and year >= self.not_before.year:
year_pages.append(year_page['url'])
# Pour chaque page d'année, on récupère les pages de mois
month_pages = []
for year_page in year_pages:
page_content = self.get_page(year_page, 'get').content
month_pages = self.get_sub_pages(
for month_page in self.get_sub_pages(
page_content,
'.fr-card.fr-card--sm.fr-card--grey.fr-enlarge-link div.fr-card__body div.fr-card__content h2.fr-card__title a',
'div.fr-card__body div.fr-card__content h2.fr-card__title a',
self.__HOST,
False
)[::-1]
# Pour chaque page de mois, on récupère les liens vers des pages de RAA
for month_page in month_pages:
raa_links = self.get_sub_pages_with_pager(
month_page['url'],
'div.content-view-line div.class-file h2 a',
'ul.fr-pagination__list li a.fr-pagination__link.fr-pagination__link--next',
None,
self.__HOST
)[::-1]
# Pour chaque lien vers un RAA, on filtre ceux ne correspondant pas à la période analysée
for raa_link in raa_links:
guessed_date = Attrap.guess_date(raa_link['name'], 'n°[ 0-9-]* du ([0-9]*(?:er)? [a-zéû]* [0-9]*)')
if guessed_date >= self.not_before:
pages_to_parse.append(raa_link['url'])
):
if Attrap.guess_date(month_page['name'], '(.*)').replace(day=1) >= self.not_before.replace(day=1):
month_pages.append(month_page['url'])
# On parse les pages contenant des RAA
elements = []
for page in pages_to_parse:
page_content = self.get_page(page, 'get').content
for raa in self.get_raa_elements(page_content):
elements.append(raa)
# On récupère les RAA en suivant la navigation de chaque page de mois
elements = self.get_raa_with_pager(
month_pages,
'a.fr-pagination__link--next.fr-pagination__link--lg-label',
self.__HOST
)
self.parse_raa(elements, keywords)
self.mailer()
......@@ -85,7 +63,7 @@ class Attrap_pref64(Attrap):
soup = BeautifulSoup(page_content, 'html.parser')
# On récupère chaque balise a
for a in soup.select('a.fr-link.fr-link--download'):
for a in soup.select('div.fr-card__body div.fr-card__content h2.fr-card__title a.fr-card__link.menu-item-link'):
if a.get('href') and a['href'].endswith('.pdf'):
if a['href'].startswith('/'):
url = f"{self.__HOST}{a['href']}"
......@@ -93,8 +71,8 @@ class Attrap_pref64(Attrap):
url = a['href']
url = unquote(url)
name = a.find('span').previous_sibling.replace('Télécharger ', '').strip()
date = datetime.datetime.strptime(a.find('span').get_text().split(' - ')[-1].strip(), '%d/%m/%Y')
name = a.get_text().strip()
date = datetime.datetime.strptime(a['title'].split(' - ')[-1].strip(), '%d/%m/%Y')
raa = Attrap.RAA(url, date, name)
elements.append(raa)
......
0% Chargement en cours ou .
You are about to add 0 people to the discussion. Proceed with caution.
Terminez d'abord l'édition de ce message.
Veuillez vous inscrire ou vous pour commenter