Merge branch 'master' of ssh://apples.lambdacomplex.org/git/disclosr
[disclosr.git] / documents / scrapers / 53d2884f8afd026096a27bd5051ec50e.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
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 getTable(self,soup):
                return soup.find(class_ = "ms-rtestate-field").table
        def getColumns(self,columns):
                (id, date, title, description, notes) = columns
                return (id, date, title, description, notes)
 
        def getLinks(self, content, entry, doc):
                link = None
                links = []
                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 atag in soup.find(class_ = "article-content").find_all('a'):
                                                        if atag.has_key('href'):
                                                                links.append(scrape.fullurl(link,atag['href']))
 
                if links != []:
                        doc.update({'links': links})
                        doc.update({'url': link})
                return
 
if __name__ == '__main__':
    print 'Subclass:', issubclass(ScraperImplementation, genericScrapers.GenericOAICDisclogScraper)
    print 'Instance:', isinstance(ScraperImplementation(), genericScrapers.GenericOAICDisclogScraper)
    ScraperImplementation().doScrape()