Skip to content
Extraits de code Groupes Projets
Valider 634d0c35 rédigé par Bastien Le Querrec's avatar Bastien Le Querrec
Parcourir les fichiers

prefdpt: les regex des cartes sont configurables

parent e9b0564d
Aucune branche associée trouvée
Aucune étiquette associée trouvée
Aucune requête de fusion associée trouvée
......@@ -9,4 +9,4 @@ class Attrap_pref01(Attrap_prefdpt):
full_name = 'Préfecture de l\'Ain'
short_code = 'pref01'
timezone = 'Europe/Paris'
year_regex = '(?:Recueil|Recueils) (?:des actes administratifs)(?:[ -])*([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = '(?:Recueil|Recueils) (?:des actes administratifs)(?:[ -])*([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref02(Attrap_prefdpt):
full_name = 'Préfecture de l\'Aisne'
short_code = 'pref02'
timezone = 'Europe/Paris'
year_regex = 'RAA [Aa]nnée ([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = 'RAA [Aa]nnée ([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref11(Attrap_prefdpt):
full_name = 'Préfecture de l\'Aude'
short_code = 'pref11'
timezone = 'Europe/Paris'
year_regex = 'Année *([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = 'Année *([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref29(Attrap_prefdpt):
full_name = 'Préfecture du Finistère'
short_code = 'pref29'
timezone = 'Europe/Paris'
year_regex = '(?:Recueils publiés en ).*([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = '(?:Recueils publiés en ).*([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref49(Attrap_prefdpt):
full_name = 'Préfecture de Maine-et-Loire'
short_code = 'pref49'
timezone = 'Europe/Paris'
year_regex = '.*([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = '.*([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref50(Attrap_prefdpt):
full_name = 'Préfecture de la Manche'
short_code = 'pref50'
timezone = 'Europe/Paris'
year_regex = '([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = '([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref73(Attrap_prefdpt):
full_name = 'Préfecture de Savoie'
short_code = 'pref73'
timezone = 'Europe/Paris'
year_regex = '([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = '([0-9]{4})'
......@@ -9,4 +9,4 @@ class Attrap_pref87(Attrap_prefdpt):
full_name = 'Préfecture de la Haute-Vienne'
short_code = 'pref87'
timezone = 'Europe/Paris'
year_regex = '([0-9]{4})'
Attrap_prefdpt.grey_card['year'] = '([0-9]{4})'
......@@ -11,6 +11,21 @@ class Attrap_prefdpt(Attrap):
# Config
user_agent = 'Mozilla/5.0 (Windows NT 10.0; rv:109.0) Gecko/20100101 Firefox/115.0'
year_regex = '([0-9]{4})'
grey_card = {
'year': None,
'month': None
}
white_card = {
'year': None,
'month': None
}
grey_card_css_path = 'div.fr-card.fr-card--sm.fr-card--grey.fr-enlarge-link div.fr-card__body div.fr-card__content h2.fr-card__title a' # Chemin CSS des cartes grises
white_card_title_css_path = 'div.fr-card.fr-card--horizontal.fr-card--sm.fr-enlarge-link div.fr-card__body div.fr-card__content h2.fr-card__title a.fr-card__link' # Chemin CSS du titre des cartes blanches
white_card_details_css_path = 'div.fr-card.fr-card--horizontal.fr-card--sm.fr-enlarge-link div.fr-card__body div.fr-card__content div.fr-card__end p.fr-card__detail' # Chemin CSS du détail des cartes blanches
white_card_pager_css_path = 'ul.fr-pagination__list li a.fr-pagination__link.fr-pagination__link--next.fr-pagination__link--lg-label' # Chemin CSS du pager des cartes blanches
element_css_path = 'div.fr-downloads-group.fr-downloads-group--bordered ul li a,div a.fr-link.fr-link--download' # Chemin CSS d'un RAA
def __init__(self, data_dir):
super().__init__(data_dir, self.user_agent)
......@@ -23,36 +38,52 @@ class Attrap_prefdpt(Attrap):
while not self.page_urls_to_parse == []:
page_url = self.page_urls_to_parse[-1]
page_content = self.get_page(page_url, 'get').content # On récupère le HTML de la page
self.get_year_pages(page_content) # On cherche les cartes d'années
self.get_elements_pages(page_url) # On cherche les cartes d'éléments
for element in self.get_raa_elements(page_content): # On cherche les éléments
self.parse_grey_cards(page_content) # On parse les cartes grises
self.parse_white_cards(page_url) # On parse les cartes blanches
for element in self.get_raa_elements(page_content): # On cherche les RAA
self.elements.append(element)
self.page_urls_to_parse.remove(page_url) # On supprime la page de la liste de celles à parser
self.parse_raa(self.elements[::-1], keywords)
self.mailer()
def get_year_pages(self, page_content):
def parse_grey_cards(self, page_content):
for card in self.get_sub_pages(
page_content,
'div.fr-card.fr-card--sm.fr-card--grey.fr-enlarge-link div.fr-card__body div.fr-card__content h2.fr-card__title a', # Pages d'années
self.grey_card_css_path,
self.hostname,
False
):
date = Attrap.guess_date(card['name'].strip(), self.year_regex).replace(day=1, month=1)
if date.year >= self.not_before.year:
self.page_urls_to_parse.append(card['url'])
if self.grey_card['year']:
date = Attrap.guess_date(card['name'].strip(), self.grey_card['year']).replace(day=1, month=1)
if date >= self.not_before.replace(day=1, month=1) and card['url'] not in self.page_urls_to_parse:
self.page_urls_to_parse.append(card['url'])
if self.grey_card['month']:
date = Attrap.guess_date(card['name'].strip(), self.grey_card['month']).replace(day=1)
if date >= self.not_before.replace(day=1) and card['url'] not in self.page_urls_to_parse:
self.page_urls_to_parse.append(card['url'])
def get_elements_pages(self, page_url):
def parse_white_cards(self, page_url):
for card in self.get_sub_pages_with_pager(
page_url,
'div.fr-card.fr-card--horizontal.fr-card--sm.fr-enlarge-link div.fr-card__body div.fr-card__content h2.fr-card__title a.fr-card__link', # Carte avec un élément (mois ou arrêté seul)
'ul.fr-pagination__list li a.fr-pagination__link.fr-pagination__link--next.fr-pagination__link--lg-label', # Pager
'div.fr-card.fr-card--horizontal.fr-card--sm.fr-enlarge-link div.fr-card__body div.fr-card__content div.fr-card__end p.fr-card__detail', # Détails (avec la date de publication)
self.white_card_title_css_path, # Carte avec un élément (mois ou arrêté seul)
self.white_card_pager_css_path, # Pager
self.white_card_details_css_path, # Détails (avec la date de publication)
self.hostname
):
# Pour les cartes blanches, on parse le titre si un regex a été spécifié
if self.white_card['year']:
date = Attrap.guess_date(card['name'].strip(), self.white_card['year']).replace(day=1, month=1)
if date >= self.not_before.replace(day=1, month=1) and card['url'] not in self.page_urls_to_parse:
self.page_urls_to_parse.append(card['url'])
if self.white_card['month']:
date = Attrap.guess_date(card['name'].strip(), self.white_card['month']).replace(day=1)
if date >= self.not_before.replace(day=1) and card['url'] not in self.page_urls_to_parse:
self.page_urls_to_parse.append(card['url'])
# On regarde aussi la date dans les détails de la carte
date = datetime.datetime.strptime(card['details'].replace('Publié le ', '').strip(), '%d/%m/%Y')
if date >= self.not_before:
if date >= self.not_before and card['url'] not in self.page_urls_to_parse:
self.page_urls_to_parse.append(card['url'])
def get_raa_elements(self, page_content):
......@@ -61,8 +92,8 @@ class Attrap_prefdpt(Attrap):
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,div a.fr-link.fr-link--download'):
if a.get('href') and a['href'].endswith('.pdf'):
for a in soup.select(self.element_css_path):
if a.get('href'):
if a['href'].startswith('/'):
url = f"{self.hostname}{a['href']}"
else:
......
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