From 78b2707471d2e0ea23e62a95468fcc064a6d7588 Mon Sep 17 00:00:00 2001
From: Bastien Le Querrec <blq@laquadrature.net>
Date: Fri, 5 Apr 2024 20:49:04 +0200
Subject: [PATCH] =?UTF-8?q?pref80:=20ajout=20de=20la=20pr=C3=A9fecture=20d?=
 =?UTF-8?q?e=20la=20Somme?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 .gitlab-ci.yml       |   5 +++
 Makefile             |   4 +-
 RAAspotter_pref80.py | 103 +++++++++++++++++++++++++++++++++++++++++++
 README.md            |   1 +
 cli.py               |   1 +
 5 files changed, 113 insertions(+), 1 deletion(-)
 create mode 100644 RAAspotter_pref80.py

diff --git a/.gitlab-ci.yml b/.gitlab-ci.yml
index 0fefb22..1e1d9de 100644
--- a/.gitlab-ci.yml
+++ b/.gitlab-ci.yml
@@ -172,6 +172,11 @@ test_pref69:
     PREF: "pref69"
   extends: .default_pref
 
+test_pref80:
+  variables:
+    PREF: "pref80"
+  extends: .default_pref
+
 test_pref81:
   variables:
     PREF: "pref81"
diff --git a/Makefile b/Makefile
index 34d0800..742936a 100644
--- a/Makefile
+++ b/Makefile
@@ -1,4 +1,4 @@
-make: ppparis pref04 pref06 pref09 pref13 pref31 pref34 pref35 pref38 pref59 pref62 pref65 pref66 pref69 pref81 pref83 pref87 pref976
+make: ppparis pref04 pref06 pref09 pref13 pref31 pref34 pref35 pref38 pref59 pref62 pref65 pref66 pref69 pref80 pref81 pref83 pref87 pref976
 ppparis:
 	python cli.py --pref ppparis
 pref04:
@@ -29,6 +29,8 @@ pref66:
 	python cli.py --pref pref66
 pref69:
 	python cli.py --pref pref69
+pref80:
+	python cli.py --pref pref80
 pref81:
 	python cli.py --pref pref81
 pref83:
diff --git a/RAAspotter_pref80.py b/RAAspotter_pref80.py
new file mode 100644
index 0000000..8118d0c
--- /dev/null
+++ b/RAAspotter_pref80.py
@@ -0,0 +1,103 @@
+import os
+import datetime
+import logging
+
+from bs4 import BeautifulSoup
+from urllib.parse import unquote
+
+from RAAspotter import RAAspotter
+
+logger = logging.getLogger(__name__)
+
+
+class RAAspotter_pref80(RAAspotter):
+
+    # Config
+    __HOST = 'https://www.somme.gouv.fr'
+    __RAA_PAGE = {
+        '2024': f'{__HOST}/Publications/Recueil-des-actes-administratifs-du-departement-de-la-Somme/Annee-2024',
+        '2023': f'{__HOST}/Publications/Recueil-des-actes-administratifs-du-departement-de-la-Somme/Annee-2023',
+        '2022': f'{__HOST}/Publications/Recueil-des-actes-administratifs-du-departement-de-la-Somme/Annee-2022',
+        '2021': f'{__HOST}/Publications/Recueil-des-actes-administratifs-du-departement-de-la-Somme/Annee-2021',
+        '2020': f'{__HOST}/Publications/Recueil-des-actes-administratifs-du-departement-de-la-Somme/Annee-2020',
+        '2019': f'{__HOST}/Publications/Recueil-des-actes-administratifs-du-departement-de-la-Somme/Annee-2019'
+    }
+    __USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'
+    full_name = 'Préfecture de la Somme'
+    short_code = 'pref80'
+
+    def __init__(self, data_dir):
+        super().__init__(data_dir, self.__USER_AGENT)
+        self.enable_tor(10)
+
+    def get_raa(self, keywords):
+        self.print_output('RAAspotter_pref80')
+        self.print_output(f'Termes recherchés: {keywords}')
+        self.print_output('')
+
+        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'])
+
+        # Pour chaque page Année, on récupère la liste des RAA
+        elements = []
+        for year_page in year_pages_to_parse:
+            page_content = self.get_page(year_page, 'get').content
+            for element in self.get_raa_elements(page_content):
+                elements.append(element)
+
+        self.parse_raa(elements, keywords.split(','))
+        self.mailer()
+
+    def get_raa_elements(self, page_content):
+        elements = []
+        # On charge le parser
+        soup = BeautifulSoup(page_content, 'html.parser')
+
+        # Pour chaque balise a, on regarde si c'est un PDF, et si oui on le
+        # parse
+        for a in soup.select('div.fr-text--lead.fr-my-3w p a.fr-link'):
+            if a.get('href') and a['href'].endswith('.pdf'):
+                if a['href'].startswith('/'):
+                    url = f"{self.__HOST}{a['href']}"
+                else:
+                    url = a['href']
+
+                url = unquote(url)
+                # On enlève les espaces insécables, les double-espaces, et le texte « Télécharger » de certains liens
+                name = a.get_text().replace('Télécharger ', '').strip().replace(u"\u00A0", ' ').replace('  ', ' ')
+                if name and not name == '':
+                    filename = url.split('/')[-1]
+                    # Certains RAA de la Somme ont une ligne avec les détails du fichier. Si cette ligne
+                    # est disponible, on la parse, sinon on devine la date à partir du nom
+                    date = None
+                    if a.find('span'):
+                        date = datetime.datetime.strptime(a.find('span').get_text().split(' - ')[-1].strip(), '%d/%m/%Y')
+                    else:
+                        regex = '.* n°.*(?:du)? ([0-9]*(?:er)? [a-zéû]* (?:[0-9]{4}|[0-9]{2}))'
+                        date = RAAspotter.guess_date(name, regex)
+                        # Parfois, il manque l'année dans le nom du RAA, alors on essaie avec l'année de la page
+                        if date.year == 9999:
+                            page_year = soup.select('nav.fr-breadcrumb div.fr-collapse ol.fr-breadcrumb__list li a.fr-breadcrumb__link.breadcrumb-item-link')[-1].get_text().replace('Année ', '').strip()
+                            date = RAAspotter.guess_date(f'{name} {page_year}', regex)
+
+                            # Parfois, c'est que le fichier n'est pas un RAA mais un arrêté seul
+                            if date.year == 9999:
+                                date = RAAspotter.guess_date(name, '([0-9]*(?:er)? [a-zéû]* [0-9]{4})')
+
+                    if date.year == 9999:
+                        logger.warning(f'On ignore {name} (URL : {url})')
+                    else:
+                        raa = RAAspotter.RAA(url, date, name, filename)
+                        elements.append(raa)
+        return elements[::-1]
diff --git a/README.md b/README.md
index 779dec4..e8a8272 100644
--- a/README.md
+++ b/README.md
@@ -47,6 +47,7 @@ Il est possible de ne lancer l'analyse que pour une seule administration, avec l
 - Préfecture des Hautes-Pyrénées (identifiant : `pref65`)
 - Préfecture des Pyrénées-Orientales (identifiant : `pref66`)
 - Préfecture du Rhône (identifiant : `pref69`)
+- Préfecture de la Somme (identifiant : `pref80`)
 - Préfecture du Tarn (identifiant : `pref81`)
 - Préfecture du Var (identifiant : `pref83`)
 - Préfecture de la Haute-Vienne (identifiant : `pref87`)
diff --git a/cli.py b/cli.py
index 802c134..43d079a 100755
--- a/cli.py
+++ b/cli.py
@@ -53,6 +53,7 @@ available_prefs = [
     'pref65',
     'pref66',
     'pref69',
+    'pref80',
     'pref81',
     'pref83',
     'pref87',
-- 
GitLab