Skip to content
Extraits de code Groupes Projets
Valider c34cefab rédigé par Bastien Le Querrec's avatar Bastien Le Querrec
Parcourir les fichiers

pref87: utilise la classe générique de département

parent 75f8ed62
Aucune branche associée trouvée
Aucune étiquette associée trouvée
Aucune requête de fusion associée trouvée
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_pref87(Attrap):
class Attrap_pref87(Attrap_prefdpt):
# Config
hostname = 'https://www.haute-vienne.gouv.fr'
raa_page = {
'2024': [
f'{hostname}/Publications/Recueil-des-actes-administratifs/JANVIER-JUIN-2024/JANVIER-JUIN-2024',
f'{hostname}/Publications/Recueil-des-actes-administratifs/JUILLET-DECEMBRE-2024'
],
'2023': [
f'{hostname}/Publications/Recueil-des-actes-administratifs/JANVIER-JUIN-2023',
f'{hostname}/Publications/Recueil-des-actes-administratifs/JUILLET-DECEMBRE-2023/JUILLET-DECEMBRE-2023'
],
'2022': [
f'{hostname}/Publications/Recueil-des-actes-administratifs/JANVIER-JUIN-2022',
f'{hostname}/Publications/Recueil-des-actes-administratifs/JUILLET-DECEMBRE-2022/Recueil-des-actes-administratifs-2022',
],
'2021': [f'{hostname}/Publications/Recueil-des-actes-administratifs/Archives-des-recueils-des-actes-administratifs/2021'],
'2020': [f'{hostname}/Publications/Recueil-des-actes-administratifs/Archives-des-recueils-des-actes-administratifs/2020'],
'2019': [f'{hostname}/Publications/Recueil-des-actes-administratifs/Archives-des-recueils-des-actes-administratifs/2019']
}
user_agent = 'Mozilla/5.0 (Windows NT 10.0; rv:109.0) Gecko/20100101 Firefox/115.0'
raa_page = f'{hostname}/Publications/Recueil-des-actes-administratifs'
full_name = 'Préfecture de la Haute-Vienne'
short_code = 'pref87'
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):
year_pages_to_parse = []
if self.not_before.year <= 2024:
for year_page in self.raa_page['2024']:
year_pages_to_parse.append(year_page)
if self.not_before.year <= 2023:
for year_page in self.raa_page['2023']:
year_pages_to_parse.append(year_page)
if self.not_before.year <= 2022:
for year_page in self.raa_page['2022']:
year_pages_to_parse.append(year_page)
if self.not_before.year <= 2021:
for year_page in self.raa_page['2021']:
year_pages_to_parse.append(year_page)
if self.not_before.year <= 2020:
for year_page in self.raa_page['2020']:
year_pages_to_parse.append(year_page)
if self.not_before.year <= 2019:
for year_page in self.raa_page['2019']:
year_pages_to_parse.append(year_page)
pages_to_parse = year_pages_to_parse
# Pour chaque année, on cherche les éventuelles sous-pages de mois
for year_page in year_pages_to_parse:
page_content = self.get_page(year_page, 'get').content
month_pages = 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',
self.hostname,
False
)[::-1]
# On filtre les pages de mois ne correspondant pas à la période analysée
for month_page in month_pages:
guessed_date = Attrap.guess_date(month_page['name'], '([a-zéû]* [0-9]{4})').replace(day=1)
if guessed_date >= self.not_before.replace(day=1):
pages_to_parse.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)
self.parse_raa(elements, 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('a.fr-link.fr-link--download'):
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
year_regex = '([0-9]{4})'
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