diff --git a/Attrap_pref2b.py b/Attrap_pref2b.py index 63b862baa1cbb38cd053e9220a7c7d5b865cfb31..2f3032948a7dbadbf0b61c60ac04c129d5ffd76f 100644 --- a/Attrap_pref2b.py +++ b/Attrap_pref2b.py @@ -1,95 +1,15 @@ -import os -import datetime +from Attrap_prefdpt import Attrap_prefdpt -from bs4 import BeautifulSoup -from urllib.parse import unquote -from Attrap import Attrap +class Attrap_pref2b(Attrap_prefdpt): - -class Attrap_pref2b(Attrap): - - # Config + # Configuration de la préfecture hostname = 'https://www.haute-corse.gouv.fr' raa_page = f'{hostname}/Publications/Publications-administratives-et-legales/Recueils-des-actes-administratifs' - user_agent = 'Mozilla/5.0 (Windows NT 10.0; rv:109.0) Gecko/20100101 Firefox/115.0' full_name = 'Préfecture de Haute-Corse' short_code = 'pref2b' timezone = 'Europe/Paris' - def __init__(self, data_dir): - super().__init__(data_dir, self.user_agent) - self.set_sleep_time(30) - - def get_raa(self, keywords): - # La préfecture de Haute-Corse organise son site avec une page dédiée à l'année N, une autre dédiée à l'année N-1, - # puis les années d'avant sont regroupées ensemble sur deux pages. On doit donc parser les pages jusqu'à ce qu'on ne - # tombe plus sur des cartes d'années. - - pages_to_parse = [] - - page_content = self.get_page(self.raa_page, 'get').content - for card in self.get_sub_pages( - page_content, - 'div.fr-card__body div.fr-card__content h2.fr-card__title a', - self.hostname, - False - ): - if Attrap.guess_date(card['name'], '[a-z]* ([0-9]{4})').year >= self.not_before.year: - pages_to_parse.append(card['url']) - else: - # Si on n'a pas trouvé une page d'année, on tente de parser la page à la rechercge - # de sous-pages (et sinon on ignore la page) - page_content = self.get_page(card['url'], 'get').content - for card in self.get_sub_pages( - page_content, - 'div.fr-card__body div.fr-card__content h2.fr-card__title a', - self.hostname, - False - ): - if Attrap.guess_date(card['name'], '[a-z]* ([0-9]{4})').year >= self.not_before.year: - pages_to_parse.append(card['url']) - - # Pour chaque année, on cherche les sous-pages de mois - month_pages_to_parse = [] - for year_page in pages_to_parse: - for month_page in self.get_sub_pages_with_pager( - year_page, - 'div.fr-card__body div.fr-card__content h2.fr-card__title a.fr-card__link', - 'ul.fr-pagination__list li a.fr-pagination__link.fr-pagination__link--next', - None, - self.hostname - ): - if Attrap.guess_date(month_page['name'], '([a-zûé]* [0-9]{4})').replace(day=1) >= self.not_before.replace(day=1): - month_pages_to_parse.append(month_page['url']) - - # On parse les pages contenant des RAA - elements = [] - for page in month_pages_to_parse: - page_content = self.get_page(page, 'get').content - for element in self.get_raa_elements(page_content): - elements.append(element) - - self.parse_raa(elements[::-1], keywords) - self.mailer() - - def get_raa_elements(self, page_content): - elements = [] - # On charge le parser - soup = BeautifulSoup(page_content, 'html.parser') - - # On récupère chaque balise a - for a in soup.select('div.fr-downloads-group.fr-downloads-group--bordered ul li a'): - if a.get('href') and a['href'].endswith('.pdf'): - if a['href'].startswith('/'): - url = f"{self.hostname}{a['href']}" - else: - 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') - - raa = Attrap.RAA(url, date, name, timezone=self.timezone) - elements.append(raa) - return elements + # Configuration des widgets à analyser + Attrap_prefdpt.grey_card['regex']['year'] = 'Recueils des actes administratifs ([0-9]{4})' + Attrap_prefdpt.white_card['regex']['month'] = '([A-Za-zéû]* [0-9]{4})'