ignore bad titles
[disclosr.git] / documents / scrapers / 227cb6eb7d2c9f8a6e846df7447d6caa.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
import sys,os
sys.path.insert(0, os.path.join(os.path.dirname(__file__) or '.', '../'))
import genericScrapers
import scrape
from bs4 import BeautifulSoup
 
#http://www.doughellmann.com/PyMOTW/abc/
class ScraperImplementation(genericScrapers.GenericOAICDisclogScraper):
        def getDescription(self,content, entry,doc):
                link = None
                links = []
                description = ""
                for atag in entry.find_all('a'):
                        if atag.has_attr('href'):
                                link = scrape.fullurl(self.getURL(),atag['href'])                       
                                (url,mime_type,htcontent) = scrape.fetchURL(scrape.docsdb, link, "foidocuments", self.getAgencyID(), False)
                                if htcontent != None:
                                        if mime_type == "text/html" or mime_type == "application/xhtml+xml" or mime_type =="application/xml":
                                        # http://www.crummy.com/software/BeautifulSoup/documentation.html
                                                soup = BeautifulSoup(htcontent)
                                                rowtitle = soup.find(class_ = "wc-title").find("h1").string
                                                if rowtitle != None:
                                                   description = rowtitle + ": "
                                                for row in soup.find(class_ ="wc-content").find_all('td'):
                                                        if row != None:
                                                                for text in row.stripped_strings:
                                                                    description = description + text + "\n"
                                                                for atag in row.find_all("a"):
                                                                        if atag.has_attr('href'):
                                                                                links.append(scrape.fullurl(link,atag['href']))
 
                if links != []:
                        doc.update({'links': links})
                if description != "":
                        doc.update({ 'description': description})
        def getRows(self, table):
                return table.find_all(class_ = "dl-row");
        def findColumns(self, table):
                return table.find_all('div');
        def getColumnCount(self):
                return 2
        def getTable(self,soup):
                return soup.find(class_ = "foi-dl-list")
        def getColumns(self,columns):
                (title,date) = columns
                return (title, date, title, title, None)
 
if __name__ == '__main__':
    print 'Subclass:', issubclass(ScraperImplementation, genericScrapers.GenericOAICDisclogScraper)
    print 'Instance:', isinstance(ScraperImplementation(), genericScrapers.GenericOAICDisclogScraper)
    ScraperImplementation().doScrape()