import os import datetime import logging from bs4 import BeautifulSoup from urllib.parse import unquote from Attrap import Attrap logger = logging.getLogger(__name__) class Attrap_pref38(Attrap): # Config hostname = 'https://www.isere.gouv.fr' raa_page = [ f'{hostname}/Publications/RAA-Recueil-des-actes-administratifs', f'{hostname}/Publications/RAA-Recueil-des-actes-administratifs/Archives' ] user_agent = 'Mozilla/5.0 (Windows NT 10.0; rv:109.0) Gecko/20100101 Firefox/115.0' full_name = 'Préfecture de l\'Isère' short_code = 'pref38' 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): pages_to_parse = [] # On cherche les pages d'années. Elles sont mélangées dans des blocs de cartes grises et des blocs blancs avec pager for page in self.raa_page: page_content = self.get_page(page, 'get').content # On parse les cartes grises cards = 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] for card in cards: year = Attrap.guess_date(card['name'].strip(), '.*([0-9]{4})').year if year >= self.not_before.year and year < 9999: pages_to_parse.append(card['url']) # On parse les blocs blancs blocks = self.get_sub_pages_with_pager( page_content, 'div.fr-card.fr-card--horizontal.fr-card--sm.fr-enlarge-link.fr-mb-3w 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.fr-pagination__link--lg-label', None, self.hostname ) for block in blocks: year = Attrap.guess_date(block['name'].strip(), '.*([0-9]{4})').year if year >= self.not_before.year and year < 9999: pages_to_parse.append(block['url']) elements = [] for raa_page in pages_to_parse: page_content = self.get_page(raa_page, 'get').content for element in self.get_raa_elements(page_content, raa_page): elements.append(element) self.parse_raa(elements, keywords) self.mailer() def get_raa_elements(self, page_content, raa_page): elements = [] # On charge le parser soup = BeautifulSoup(page_content, 'html.parser') # On récupère le select qui contient la liste des RAA select_list = soup.select('select#-liste-docs')[0] # On analyse chaque résultat for option in select_list.find_all('option'): if not option['value'] == "": # On estime la date à partir du nom de fichier guessed_date = Attrap.guess_date(option['title'], '.* n°[ 0-9]* du ([0-9]*(?:er)? [a-zéû]* [0-9]*)') # Si la date estimée correspond à la plage d'analyse, on # demande au serveur les détails du RAA if guessed_date >= self.not_before: page_content = self.get_page( raa_page, 'post', { '-liste-docs': option['value'] } ).content # On parse la page de détails pour obtenir les propriétés # du RAA soup = BeautifulSoup(page_content, 'html.parser') a = soup.select('div.liste_deroulante a.fr-link.fr-link--download')[0] # Si la page contient une balise a qui renvoie vers un pdf, # c'est qu'on a obtenu les détails du RAA demandé, donc # on le parse 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