pref81: ajout de la préfecture du Tarn

.gitlab-ci.yml

@@ -152,6 +152,11 @@ test_pref69:
     PREF: "pref69"
   extends: .default_pref
 
+test_pref81:
+  variables:
+    PREF: "pref81"
+  extends: .default_pref
+
 test_pref83:
   variables:
     PREF: "pref83"

Makefile

-make: ppparis pref04 pref06 pref13 pref34 pref35 pref38 pref59 pref62 pref65 pref69 pref83 pref976
+make: ppparis pref04 pref06 pref13 pref34 pref35 pref38 pref59 pref62 pref65 pref69 pref81 pref83 pref976
 ppparis:
 	python cli.py --pref ppparis
 pref04:
@@ -21,6 +21,8 @@ pref65:
 	python cli.py --pref pref65
 pref69:
 	python cli.py --pref pref69
+pref81:
+	python cli.py --pref pref81
 pref83:
 	python cli.py --pref pref83
 pref976:

RAAspotter_pref81.py

+import os
+import datetime
+
+from bs4 import BeautifulSoup
+from urllib.parse import unquote
+
+from RAAspotter import RAAspotter
+
+
+class RAAspotter_pref81(RAAspotter):
+
+    # Config
+    __HOST = 'https://www.tarn.gouv.fr'
+    __RAA_PAGE = {
+        'default': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA',
+        '2024': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA/2024',
+        '2023': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA/2023',
+        '2022': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA/2022',
+        '2021': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA/2021',
+        '2020': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA/2020',
+        '2019': f'{__HOST}/Publications/RAA-Recueil-des-Actes-'
+        'Administratifs/RAA/2019',
+    }
+    __USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64; rv:109.0) ' \
+        'Gecko/20100101 Firefox/115.0'
+    full_name = 'Préfecture du Tarn'
+    short_code = 'pref81'
+
+    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_pref81')
+        self.print_output(f'Termes recherchés: {keywords}')
+        self.print_output('')
+
+        pages_to_parse = []
+        if self.not_before.year <= 2024:
+            pages_to_parse.append(self.__RAA_PAGE['2024'])
+        if self.not_before.year <= 2023:
+            pages_to_parse.append(self.__RAA_PAGE['2023'])
+        if self.not_before.year <= 2022:
+            pages_to_parse.append(self.__RAA_PAGE['2022'])
+        if self.not_before.year <= 2021:
+            pages_to_parse.append(self.__RAA_PAGE['2021'])
+        if self.not_before.year <= 2020:
+            pages_to_parse.append(self.__RAA_PAGE['2020'])
+        if self.not_before.year <= 2019:
+            pages_to_parse.append(self.__RAA_PAGE['2019'])
+
+        sub_pages_to_parse = [self.__RAA_PAGE['default']]
+
+        # Pour chaque année, on cherche les sous-pages de mois
+        for raa_page in pages_to_parse:
+            page_content = self.get_page(raa_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.__HOST,
+                False
+            )[::-1]
+
+            # On regarde aussi si sur la page de l'année il n'y aurait pas un
+            # RAA mal catégorisé
+            for page_to_parse in self.find_raa_card(raa_page):
+                sub_pages_to_parse.append(page_to_parse)
+
+            # Pour chaque mois, on cherche les pages des RAA
+            for month_page in month_pages:
+                year = RAAspotter.guess_date(month_page['name'], '(.*)').year
+                for page_to_parse in self.find_raa_card(
+                    month_page['url'],
+                    year
+                ):
+                    sub_pages_to_parse.append(page_to_parse)
+                # On ajoute aussi la page des mois à parser au cas où il y ait
+                # eu une redirection vers un RAA
+                sub_pages_to_parse.append(month_page['url'])
+
+        # On parse les pages contenant des RAA
+        for page in sub_pages_to_parse:
+            page_content = self.get_page(page, 'get').content
+            raa_elements = self.get_raa_elements(page_content)
+            self.parse_raa(raa_elements, keywords.split(','))
+
+        self.mailer()
+
+    def find_raa_card(self, page, year=None):
+        pages = []
+        card_pages = self.get_sub_pages_with_pager(
+            page,
+            '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',
+            'div.fr-card__body div.fr-card__content div.fr-card__end '
+            'p.fr-card__detail',
+            self.__HOST
+        )[::-1]
+        for card_page in card_pages:
+            # On filtre les pages de RAA ne correspondant pas à la période
+            # analysée
+            guessed_date = datetime.datetime.strptime(
+                card_page['details'].replace('Publié le ', '').strip(),
+                '%d/%m/%Y'
+            )
+            if guessed_date >= self.not_before:
+                print(guessed_date)
+                print(card_page['url'])
+                pages.append(card_page['url'])
+        return pages
+
+    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-downloads-group.fr-downloads-group--bordered ul li a'
+        ):
+            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)
+                name = a.find('span').previous_sibling.replace(
+                    'Télécharger ',
+                    ''
+                ).strip()
+                date = datetime.datetime.strptime(
+                    a.find('span').get_text().split(' - ')[-1].strip(),
+                    '%d/%m/%Y'
+                )
+                filename = url.split('/')[-1]
+
+                raa = RAAspotter.RAA(url, date, name, filename)
+                elements.append(raa)
+        return elements

README.md

@@ -43,6 +43,7 @@ Il est possible de ne lancer l'analyse que pour une seule administration, avec l
 - Préfecture du Pas-de-Calais (identifiant : `pref62`)
 - Préfecture des Hautes-Pyrénées (identifiant : `pref65`)
 - Préfecture du Rhône (identifiant : `pref69`)
+- Préfecture du Tarn (identifiant : `pref81`)
 - Préfecture du Var (identifiant : `pref83`)
 - Préfecture de Mayotte  (identifiant : `pref976`)
 

cli.py

@@ -49,6 +49,7 @@ available_prefs = [
     'pref62',
     'pref65',
     'pref69',
+    'pref81',
     'pref83',
     'pref976'
 ]