def get_reportaje(self, url_pagina):
"""
Obtiene un reportaje desde rbb.cl, se necesita una funcion completamente diferente porque se usa un layout distinto.
Args:
url_pagina (str): Url al reportaje
Returns:
dict: Reportaje
- titulo (str): Titulo del reportaje
- contenido (str): Texto plano extraido del reportaje
- link (str): URL al reportaje.
"""
try:
logger.info(f'Obteniendo reportaje desde: {url_pagina}')
page = requests.get(url_pagina)
soup = BeautifulSoup(page.content, 'lxml')
reportaje = {'link': url_pagina}
# Obtener Titulo
scripts = soup.find_all('script')
for i, _s in enumerate(scripts):
if 'title_to_sanitize' in _s.text:
buscar_titulo = re.search("'.*'", _s.text)
titulo = buscar_titulo.group(0).replace('\'', '')
reportaje['titulo'] = titulo
##
# Obtener Contenido
extracto = 'EXTRACTO: ' + soup.find('p', {'id': 'extracto'}).text
noticia_ps = soup.find('div', {
'class': 'noticia-contenido'
}).find_all('p')
parrafos = []
for _p in noticia_ps:
_id = _p.get('id') or _p.get('class')
if not _id:
if _p.text != '':
parrafos.append(_p.text)
reportaje['contenido'] = '\n'.join((extracto, *parrafos))
##
except Exception as exc:
logger.error(traceback.format_exc())
return None
return reportaje
def get_lista_noticias_dia(self,
url_nacional=None,
url_politica=None,
fecha=datetime.now()):
"""
Obtiene la lista de noticias desde las secciones de politica y nacional de latercera.com
Args:
url_politica (str): URL a seccion de Politica.
url_nacional (str): URL a seccion Nacional.
fecha (datetime): Fecha de la que se extrae el dia y el mes para obtener las noticias.
Returns:
lista_a_noticias (list): Lista de links a las noticias del dia.
"""
if not url_nacional:
url_nacional = self.url_nacional
if not url_politica:
url_politica = self.url_politica
mes, dia = fecha.month, fecha.day
lista_a_noticias = []
secciones = [url_nacional, url_politica]
logger.info(f'Obteniendo Links a Noticias para dia {fecha}')
for seccion in secciones:
buscando = True
iniciando = True
pagina = 1
while buscando:
url_pagina = seccion + str(pagina)
logger.info(f'Pagina: {url_pagina}')
page = requests.get(url_pagina)
soup = BeautifulSoup(page.content, 'lxml')
lista_noticias = soup.find_all('article', {'class': 'border-bottom-1 archive-article'})
for a_noticia in lista_noticias:
_fecha = a_noticia.find('small', {'class': 'time-ago'}).text.strip()
noticia = {'link': a_noticia.a['href'],
'fecha': datetime.strptime(_fecha, '%d/%m/%Y %I:%M %p')}
datetime_noticia = noticia['fecha']
logger.info(noticia)
if datetime_noticia.month == mes and datetime_noticia.day == dia:
lista_a_noticias.append(noticia)
iniciando = False
else:
if not iniciando:
buscando = False
break
pagina += 1
logger.info('ok')
return lista_a_noticias
def get_noticia(self, url_pagina: str):
"""
Obtiene una noticia regular desde latercera.com.
Args:
url_pagina (str): Url de Noticia a obtener.
Returns:
dict: Noticia:
- titulo (str): Titulo de la noticia.
- contenido (str): Contenido de la noticia.
- link (str): URL a la noticia.
"""
try:
logger.info(f'Obteniendo noticia desde: {url_pagina}')
page = requests.get(url_pagina)
soup = BeautifulSoup(page.content, 'lxml')
noticia = {'link': url_pagina}
# Titulo Noticia
titulo = soup.find('h1', {'class': 'm-top-30'}).text
titulo = str(titulo).strip()
noticia['titulo'] = titulo
contenido = []
# Bajada
bajada = soup.find('div', {'class': 'bg-gray bajada-art'})
if bajada:
bajada = bajada.h2.text
contenido.append(bajada)
# Contenido Nota
primer_elemento = soup.find('div', {"id": "ambideXtro"}).contents[0]
for elemento in primer_elemento.find_next_siblings():
if elemento != '\n' and elemento.name in ['h1', 'h2', 'p']:
contenido.append(elemento.text)
noticia['contenido'] = '\n'.join(contenido)
return noticia
except Exception as exc:
logger.error(exc)
return None
def get_regular(self, url_pagina):
"""
Obtiene una noticia regular desde rbb.cl.
Args:
url_pagina (str): Url de Noticia a obtener.
Returns:
dict: Noticia:
- titulo (str): Titulo de la noticia.
- contenido (str): Contenido de la noticia.
- link (str): URL a la noticia.
"""
try:
logger.info(f'Obteniendo noticia desde: {url_pagina}')
page = requests.get(url_pagina)
soup = BeautifulSoup(page.content, 'lxml')
noticia = {'link': url_pagina}
# Titulo Noticia
titulo = soup.find('h1', {'id': 'titulo-nota'}).text
titulo = str(titulo).strip()
noticia['titulo'] = titulo
# Contenido Nota
parrafos = soup.find('div', {
"class": "contenido-nota"
}).find_all('p')
contenido = []
for parrafo in parrafos:
contenido.append(parrafo.text.strip())
noticia['contenido'] = '\n'.join(contenido)
except Exception:
logger.error(traceback.format_exc())
return None
return noticia
def get_lista_noticias_dia(self,
url_nacional_paginacion=None,
fecha=datetime.now()):
"""
Obtiene la lista de noticias desde la seccion nacional de rbb en un determinado día.
Args:
url_nacional_paginacion (list): Lista que funciona como template para recorrer la seccion paginada.
[0] = inicio del template
<- Numero de la pagina ->
[1] = fin del template
fecha (datetime): Fecha de la que se extrae el dia y el mes para obtener las noticias
Returns:
lista_a_noticias (list): Lista de links a las noticias del dia.
"""
mes, dia = fecha.month, fecha.day
lista_a_noticias = []
buscando = True
iniciando = True
pagina = 0
print('Obteniendo Links a Noticias.')
while buscando:
if not url_nacional_paginacion:
url_nacional_paginacion = self.url_template_paginacion
url_pagina = f'{url_nacional_paginacion[0]}{pagina}{url_nacional_paginacion[1]}'
logger.info(f'Pagina: {url_pagina}')
page = requests.get(url_pagina)
soup = BeautifulSoup(page.content, 'lxml')
lista_noticias = soup.find('ul', {
'id': 'results-list'
}).find_all('li')
for a_noticia in lista_noticias:
_fecha = a_noticia.a.span.text
noticia = {
'link': a_noticia.a['href'],
'fecha': datetime.strptime(_fecha, '%d/%m/%Y %H:%M')
}
datetime_noticia = noticia['fecha']
logger.info(noticia)
if datetime_noticia.month == mes and datetime_noticia.day == dia:
lista_a_noticias.append(noticia)
iniciando = False
else:
if not iniciando:
buscando = False
break
pagina += 1
logger.info('ok')
return lista_a_noticias
def agregar_noticias():
logger.info('Ejecutando Script.')
fuente = obtener_fuente()
scrapper = ScrapperRBB()
lista_legisladores = Legislador.query.filter_by(buscar_noticias=True).all()
# Obtener el dia anterior (de manera correcta).
ahora = datetime.now()
fecha = datetime(ahora.year, ahora.month, ahora.day) - timedelta(days=1)
for intento in range(3):
lista_a_noticias_dia = scrapper.get_lista_noticias_dia(fecha=fecha)
if lista_a_noticias_dia:
break
else:
sleep(15)
noticias = []
for a_noticia in lista_a_noticias_dia:
_noticia = None
for intento in range(3):
link = a_noticia['link']
if 'reportajes' in link:
_noticia = scrapper.get_reportaje(link)
elif '/noticias/deportes/' in link:
_noticia = scrapper.get_deporte(link)
else:
_noticia = scrapper.get_regular(link)
if _noticia:
break
if _noticia:
noticia = Noticia(
_noticia['titulo'],
_noticia['link'],
contenido_texto=_noticia['contenido'],
fecha=a_noticia['fecha'],
)
noticia.fuente = fuente
legisladores_encontrados = []
for legislador in lista_legisladores:
if buscar_nombres_texto(noticia.contenido_texto,
legislador.primer_nombre,
legislador.segundo_nombre,
legislador.primer_apellido,
legislador.segundo_apellido):
legisladores_encontrados.append(legislador)
if len(legisladores_encontrados) > 0:
noticia.legisladores = legisladores_encontrados
noticias.append(noticia)
logger.info('Noticias con Legisladores Encontradas:')
for n in noticias:
print(f'{n.titulo} - {n.legisladores}')
logger.info('Total Noticias Encontradas = ' + str(len(noticias)))
db.session.remove() # Reiniciar session
for n in noticias:
db.session.add(n)
db.session.commit()
logger.info('Fin Agregado')