preprod loading datgov
[disclosr.git] / documents / scrapers / 8e874a2fde8aa0ccdc6d14573d766540.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
import sys,os
sys.path.insert(0, os.path.join(os.path.dirname(__file__) or '.', '../'))
import genericScrapers
import scrape
from bs4 import BeautifulSoup
import codecs
#http://www.doughellmann.com/PyMOTW/abc/
class NewScraperImplementation(genericScrapers.GenericOAICDisclogScraper):
        def getDescription(self,content, entry,doc):
                link = None
                links = []
                description = ""
                for atag in entry.find_all('a'):
                        if atag.has_key('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)
                                                for text in soup.find(class_ = "mainContent").stripped_strings:
                                                    description = description + text.encode('ascii', 'ignore')
 
                                                for atag in soup.find(id="SortingTable").find_all("a"):
                                                        if atag.has_key('href'):
                                                                links.append(scrape.fullurl(link,atag['href']))
 
                if links != []:
                        doc.update({'links': links})
                if description != "":
                        doc.update({ 'description': description})
 
        def getColumnCount(self):
                return 2
        def getTable(self,soup):
                return soup.find(id = "TwoColumnSorting")
        def getColumns(self,columns):
                ( title, date) = columns
                return (title, date, title, title, None)
class OldScraperImplementation(genericScrapers.GenericOAICDisclogScraper):
        def getDescription(self,content, entry,doc):
                link = None
                links = []
                description = ""
                for atag in entry.find_all('a'):
                        if atag.has_key('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)
                                                for text in soup.find(id="content-item").stripped_strings:
                                                    description = description + text + " \n"
                                                for atag in soup.find(id="content-item").find_all("a"):
                                                    if atag.has_key('href'):
                                                        links.append(scrape.fullurl(link,atag['href']))
                if links != []:
                        doc.update({'links': links})
                if description != "":
                        doc.update({ 'description': description})
 
                if links != []:
                        doc.update({'links': links})
                if description != "":
                        doc.update({ 'description': description})
 
        def getColumnCount(self):
                return 2
        def getTable(self,soup):
                return soup.find(class_ = "doc-list")
        def getColumns(self,columns):
                (date, title) = columns
                return (title, date, title, title, None)
 
if __name__ == '__main__':
    print 'Subclass:', issubclass(NewScraperImplementation, genericScrapers.GenericOAICDisclogScraper)
    print 'Instance:', isinstance(NewScraperImplementation(), genericScrapers.GenericOAICDisclogScraper)
    NewScraperImplementation().doScrape()
    print 'Subclass:', issubclass(OldScraperImplementation, genericScrapers.GenericOAICDisclogScraper)
    print 'Instance:', isinstance(OldScraperImplementation(), genericScrapers.GenericOAICDisclogScraper)
    osi = OldScraperImplementation()
    osi.disclogURL = "http://archive.treasury.gov.au/content/foi_publications.asp?year=-1&abstract=0&classification=&=&titl=Disclosure+Log+-+Documents+Released+Under+FOI"
    osi.doScrape()