beginnings rss scraper
[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
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 *
 
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
 
        @abc.abstractmethod
        def getDescription(self, content, entry, doc):
                """ get description"""
                return
 
 
 
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()
                date = str.replace("Octber","October",date)
                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 ''.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))))
                                                doc = foidocsdb.get(hash)
                                                        
                                                if doc == None:
                                                        print "saving " +hash
                                                        doc = {'_id': hash, 'agencyID': self.getAgencyID(), 'url': self.getURL(), 'docID': (''.join(id.stripped_strings))}
                                                        self.getLinks(self.getURL(),row,doc)
                                                        self.getTitle(title,row, doc)
                                                        self.getDate(date,row, doc)
                                                        self.getDescription(description,row, doc)
                                                        if notes != None:
                                                                doc.update({ 'notes': (''.join(notes.stripped_strings))})
                                                        foidocsdb.save(doc)
                                                else:
                                                        print "already saved "+hash
                                        
                                        elif len(row.find_all('th')) == self.getColumnCount():
                                                print "header row"
                                        
                                        else:
                                                print "ERROR number of columns incorrect"
                                                print row