pref974 : Ajout de la Réunion

Attrap_pref974.py

+import os
+import datetime
+import logging
+import sys ## supprimer à la fin
+
+from bs4 import BeautifulSoup
+from urllib.parse import unquote
+
+from Attrap import Attrap
+
+logger = logging.getLogger(__name__)
+
+
+class Attrap_pref974(Attrap):
+
+    # Config
+    hostname = 'https://www.reunion.gouv.fr'
+    raa_page = f'{hostname}/Publications/Publications-administratives-et-legales/Recueil-des-actes-administratifs-RAA'
+    user_agent = 'Mozilla/5.0 (Windows NT 10.0; rv:109.0) Gecko/20100101 Firefox/115.0'
+    full_name = 'Préfecture de La Réunion'
+    short_code = 'pref974'
+    timezone = 'Indian/Reunion'
+
+    def __init__(self, data_dir):
+        super().__init__(data_dir, self.user_agent)
+        self.set_sleep_time(30)
+
+    def get_raa(self, keywords):
+        # Les services de l’Etat à La Réunion utilisent une page par année, puis une sous-page par pdf (!)
+        # Tout ce qui est antérieur à 2018 n’est pas sur le site, il faut envoyer une requête par mail https://www.reunion.gouv.fr/Nous-contacter
+
+        if self.not_before < datetime.datetime(2018,1,1):
+            logger.warning("Préfecture de La Réunion : les RAA antérieurs à 2018 ne sont pas disponibles en ligne")
+
+        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,
+            recursive_until_pdf=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 prend l’ensemble des sous-pages qui sont par jour (!) et avec un pager
+        
+        day_pages_to_parse = []
+        for year_page in pages_to_parse:
+            current_year_page_url = f"{year_page}"
+
+            for day_page in self.get_sub_pages_with_pager(
+                current_year_page_url,
+                'div.fr-card__body div.fr-card__content h2.fr-card__title a',
+                'ul.fr-pagination__list li a.fr-pagination__link.fr-pagination__link--next.fr-pagination__link--lg-label',
+                'div.fr-card__body div.fr-card__content div.fr-card__end p.fr-card__detail',
+                self.hostname
+            ):
+                current_page_date = Attrap.guess_date(day_page['details'], '([0-9]{2}/[0-9]{2}/[0-9]{4})')
+                #Parfois il n’y a pas de date dans le titre de la page mais juste un mois en majuscules
+                # Dans tous les cas on se fie à la date de mise à jour pour choisir si on parse la page ou pas, elle est dans les détails
+                if current_page_date >= self.not_before:
+                    day_pages_to_parse.append(day_page['url'])
+
+
+        # On parse les pages contenant des RAA
+        elements = []
+        for page in day_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-grid-row div a.fr-link.fr-link--download'):#'.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

cli.py

@@ -81,6 +81,7 @@ available_administrations = [
     'pref93',
     'pref94',
     'pref976',
+    'pref974',
     'prefidf',
     'prefpaca'
 ]