more scrapers
[disclosr.git] / documents / genericScrapers.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
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
import sys,os
sys.path.insert(0, os.path.join(os.path.dirname(__file__) or '.', '../'))
import scrape
from bs4 import BeautifulSoup
from time import mktime
import feedparser
import abc
import unicodedata, re
import dateutil
from dateutil.parser import *
from datetime import *
import codecs
 
from StringIO import StringIO
 
from docx import *
from lxml import etree
import zipfile
 
from pdfminer.pdfparser import PDFDocument, PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter, process_pdf
from pdfminer.pdfdevice import PDFDevice, TagExtractor
from pdfminer.converter import TextConverter
from pdfminer.cmapdb import CMapDB
from pdfminer.layout import LAParams
 
class GenericDisclogScraper(object):
        __metaclass__ = abc.ABCMeta
        agencyID = None
        disclogURL = None
        def remove_control_chars(self, input):
                return "".join([i for i in input if ord(i) in range(32, 127)])
        def getAgencyID(self):
                """ disclosr agency id """
                if self.agencyID == None:
                        self.agencyID = os.path.basename(sys.argv[0]).replace(".py","")
                return self.agencyID
 
        def getURL(self):
                """ disclog URL"""
                if self.disclogURL == None:
                        agency = scrape.agencydb.get(self.getAgencyID())
                        self.disclogURL = agency['FOIDocumentsURL']
                return self.disclogURL
 
        @abc.abstractmethod
        def doScrape(self):
                """ do the scraping """
                return
 
class GenericPDFDisclogScraper(GenericDisclogScraper):
 
        def doScrape(self):
                foidocsdb = scrape.couch['disclosr-foidocuments']
                (url,mime_type,content) = scrape.fetchURL(scrape.docsdb, self.getURL(), "foidocuments", self.getAgencyID())
                                
                                    laparams = LAParams()
    
    rsrcmgr = PDFResourceManager(caching=True)
 
        outfp = StringIO.StringIO()
    
        device = TextConverter(rsrcmgr, outfp, codec='utf-8', laparams=laparams)
     
    
        fp = StringIO.StringIO()
        fp.write(content)
        description = output.getvalue();
        process_pdf(rsrcmgr, device, fp, set(), caching=True, check_extractable=True)
        fp.close()
    device.close()
    outfp.close()
 
                                hash = scrape.mkhash(description)
                        #print hash
                        doc = foidocsdb.get(hash)
                        #print doc
                        if doc == None:
                                print "saving "+ hash
                                edate = datetime.fromtimestamp(mktime( )).strftime("%Y-%m-%d")
                                doc = {'_id': hash, 'agencyID': self.getAgencyID(), 'url': self.getURL(), 'docID': hash,
                                "date": edate,"title": "Disclosure Log Updated"}
                                self.getDescription(entry,entry, doc)
                                foidocsdb.save(doc)
                        else:
                                print "already saved"                   
 
 
class GenericDOCXDisclogScraper(GenericDisclogScraper):
 
        def doScrape(self):
                foidocsdb = scrape.couch['disclosr-foidocuments']
                (url,mime_type,content) = scrape.fetchURL(scrape.docsdb, self.getURL(), "foidocuments", self.getAgencyID())
                                
                                   mydoc = zipfile.ZipFile(file)
    xmlcontent = mydoc.read('word/document.xml')
    document = etree.fromstring(xmlcontent)
        
    ## Fetch all the text out of the document we just created        
    paratextlist = getdocumenttext(document)    
 
    # Make explicit unicode version    
    newparatextlist = []
    for paratext in paratextlist:
        newparatextlist.append(paratext.encode("utf-8"))                  
    
    ## Print our documnts test with two newlines under each paragraph
    description = '\n\n'.join(newparatextlist)
 
                                hash = scrape.mkhash(description)
                        #print hash
                        doc = foidocsdb.get(hash)
                        #print doc
                        if doc == None:
                                print "saving "+ hash
                                edate = datetime.fromtimestamp(mktime()).strftime("%Y-%m-%d")
                                doc = {'_id': hash, 'agencyID': self.getAgencyID(), 'url': self.getURL(), 'docID': hash,
                                "date": edate,"title": "Disclosure Log Updated"}
                                self.getDescription(entry,entry, doc)
                                foidocsdb.save(doc)
                        else:
                                print "already saved"                   
 
 
class GenericRSSDisclogScraper(GenericDisclogScraper):
 
        def doScrape(self):
                foidocsdb = scrape.couch['disclosr-foidocuments']
                (url,mime_type,content) = scrape.fetchURL(scrape.docsdb, self.getURL(), "foidocuments", self.getAgencyID())
                feed = feedparser.parse(content)                
                for entry in feed.entries:
                        #print entry
                        print entry.id
                        hash = scrape.mkhash(entry.id)
                        #print hash
                        doc = foidocsdb.get(hash)
                        #print doc
                        if doc == None:
                                print "saving "+ hash
                                edate = datetime.fromtimestamp(mktime( entry.published_parsed)).strftime("%Y-%m-%d")
                                doc = {'_id': hash, 'agencyID': self.getAgencyID(), 'url': entry.link, 'docID': entry.id,
                                "date": edate,"title": entry.title}
                                self.getDescription(entry,entry, doc)
                                foidocsdb.save(doc)
                        else:
                                print "already saved"                   
        def getDescription(self, content, entry, doc):
                """ get description from rss entry"""
                doc.update({'description': content.summary})
                return
 
class GenericOAICDisclogScraper(GenericDisclogScraper):
        __metaclass__ = abc.ABCMeta
        @abc.abstractmethod
        def getColumns(self,columns):
                """ rearranges columns if required """
                return
        def getColumnCount(self):
                return 5
        def getDescription(self, content, entry, doc):
                """ get description from rss entry"""
                descriptiontxt = ""
                for string in content.stripped_strings:
                        descriptiontxt = descriptiontxt + " \n" + string
                doc.update({'description': descriptiontxt})
                return
        def getTitle(self, content, entry, doc):
                doc.update({'title': (''.join(content.stripped_strings))})
                return
        def getTable(self, soup):
                return soup.table
        def getRows(self, table):
                return table.find_all('tr')
        def getDate(self, content, entry, doc):
                date = ''.join(content.stripped_strings).strip()
                (a,b,c) = date.partition("(")
                date = self.remove_control_chars(a.replace("Octber","October"))
                print date
                edate = parse(date, dayfirst=True, fuzzy=True).strftime("%Y-%m-%d")
                print edate
                doc.update({'date': edate})
                return
        def getLinks(self, content, entry, doc):
                links = []
                for atag in entry.find_all("a"):
                        if atag.has_key('href'):
                                links.append(scrape.fullurl(content,atag['href']))
                if links != []:
                        doc.update({'links': links})
                return
 
        def doScrape(self):
                foidocsdb = scrape.couch['disclosr-foidocuments']
                (url,mime_type,content) = scrape.fetchURL(scrape.docsdb, self.getURL(), "foidocuments", self.getAgencyID())
                if content != 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(content)
                                table = self.getTable(soup)
                                for row in self.getRows(table):
                                        columns = row.find_all('td')
                                        if len(columns) == self.getColumnCount():
                                                (id, date, title, description, notes) = self.getColumns(columns)
                                                print self.remove_control_chars(''.join(id.stripped_strings))
                                                if id.string == None:
                                                        hash = scrape.mkhash(self.remove_control_chars(url+(''.join(date.stripped_strings))))
                                                else:
                                                        hash = scrape.mkhash(self.remove_control_chars(url+(''.join(id.stripped_strings))))
                    &n