def load_arsiv_page(driver, adres):
global sayfasay
if adres[-1] == '/': adres = adres[:-1]
base_url = get_base_url(adres)
driver.get(adres)
elements = driver.find_elements_by_xpath("//li/a[@href]")
for a in elements:
b = a.get_attribute('href')
if b[-1] == '/': b = b[:-1]
if b == base_url: continue
if not b.startswith(base_url): continue
if b == adres: continue
sayfasay += 1
print("{} {} {:05d} {}".format(turlib.damga(),
turlib.gecen_sure(baslama), sayfasay,
b))
#link başka bir siteye ait olmasın
if base_url in b:
sayfa = turlib.sayfaOku(b)
if sayfa == None: continue
#sayfadan tüm linkleri kaldır
for tag in sayfa.findAll('a', href=True):
tag.extract()
paragraflar = sayfa.find_all('div',
attrs={'class': 'entry-content'})
for p in paragraflar:
#script bölümlerini temizle
[s.extract() for s in p('script')]
#div - class=sharedaddy bölümünü temizle
for div in p.findAll('div', attrs={'class': 'sharedaddy'}):
div.extract()
#http:// ile başlayan ardışık karakterleri sil
re.sub('(http.*)\s', '', p.text)
print(p.text)
print(p.text, file=outfile, flush=True)
if turkcemi.turkcemi(p.text, fout=outfile) == True:
print("Bu metin Türkçedir")
else:
print(
"Bu metin Türkçe değildir veya yeterli sayıda geçerli Türkçe sözcük barındırmamaktadır."
)
def main():
#Daha önce ziyaret edilen adreslerin listesini belleğe al
ziyaret_edilenleri_oku()
#Daha önce tespit edilen ama henüz ziyaret edilmemiş adresleri belleğe al
yeni_linkleri_oku()
#yeni linkler tamamlanıncaya kadar işlemlere devam et
while len(yeni_linkler) > 0:
url = yeni_linkler[0].strip()
base_url = turlib.get_base_url(url)
print(len(yeni_linkler), url, base_url)
#Bu adresteki linkleri al
linkler = turlib.linkleriAl(url)
for link in linkler:
if link not in yeni_linkler:
yeni_linkler.append(link)
#Bu adresteki sayfayı oku, sadece text haline dönüştür
#Belli bir boyutun üzerindeyse Türkçe kontrolü yap
#Uygun boyutta ve Türkçeyse ayrıştırma işlemlerini uygula
sayfa = turlib.sayfaOku(url)
#print(sayfa)
if base_url == "http://www.gamet.com.tr":
metin = sayfa.findAll("div", attrs={"class": "entry-container"})
for sat in metin:
print(sat.text)
"""
data = sayfa.findAll(text=True)
result = filter(visible, data)
for element in result:
metin = element.strip()
if len(metin)>0:
print(metin)
"""
#En baştaki adresi ziyaret edilenler listesine ekle ve yeni_linkler listesinden sil
ziyaret_edilenler.append(url)
yeni_linkler.pop(0)
def main():
#Daha önce ziyaret edilen adreslerin listesini belleğe al
ziyaret_edilenleri_oku()
#Daha önce tespit edilen ama henüz ziyaret edilmemiş adresleri belleğe al
yeni_linkleri_oku()
#yeni linkler tamamlanıncaya kadar işlemlere devam et
while len(yeni_linkler)>0:
url = yeni_linkler[0].strip()
base_url = turlib.get_base_url(url)
print(len(yeni_linkler),url, base_url)
#Bu adresteki linkleri al
linkler = turlib.linkleriAl(url)
for link in linkler:
if link not in yeni_linkler:
yeni_linkler.append(link)
#Bu adresteki sayfayı oku, sadece text haline dönüştür
#Belli bir boyutun üzerindeyse Türkçe kontrolü yap
#Uygun boyutta ve Türkçeyse ayrıştırma işlemlerini uygula
sayfa = turlib.sayfaOku(url)
#print(sayfa)
if base_url=="http://www.gamet.com.tr":
metin = sayfa.findAll("div",attrs={"class" : "entry-container"})
for sat in metin:
print(sat.text)
"""
data = sayfa.findAll(text=True)
result = filter(visible, data)
for element in result:
metin = element.strip()
if len(metin)>0:
print(metin)
"""
#En baştaki adresi ziyaret edilenler listesine ekle ve yeni_linkler listesinden sil
ziyaret_edilenler.append(url)
yeni_linkler.pop(0)
def load_arsiv_page(driver,adres):
global sayfasay
if adres[-1]=='/': adres = adres[:-1]
base_url = get_base_url(adres)
driver.get(adres)
elements = driver.find_elements_by_xpath("//li/a[@href]")
for a in elements:
b = a.get_attribute('href')
if b[-1]=='/': b = b[:-1]
if b == base_url: continue
if not b.startswith(base_url): continue
if b == adres: continue
sayfasay += 1
print("{} {} {:05d} {}".format(turlib.damga(), turlib.gecen_sure(baslama), sayfasay, b))
#link başka bir siteye ait olmasın
if base_url in b:
sayfa = turlib.sayfaOku(b)
if sayfa == None: continue
#sayfadan tüm linkleri kaldır
for tag in sayfa.findAll('a', href=True):
tag.extract()
paragraflar = sayfa.find_all('div',attrs={'class' : 'entry-content'})
for p in paragraflar:
#script bölümlerini temizle
[s.extract() for s in p('script')]
#div - class=sharedaddy bölümünü temizle
for div in p.findAll('div', attrs={'class':'sharedaddy'}):
div.extract()
#http:// ile başlayan ardışık karakterleri sil
re.sub('(http.*)\s','',p.text)
print(p.text)
print(p.text,file=outfile,flush=True)
if turkcemi.turkcemi(p.text,fout=outfile) == True:
print("Bu metin Türkçedir")
else:
print("Bu metin Türkçe değildir veya yeterli sayıda geçerli Türkçe sözcük barındırmamaktadır.")
def sayfa_oku(b,basla):
sayfa = turlib.sayfaOku(b)
if sayfa == None:
turkcemi.mesajyaz("{} Sayfa okunamadı: {}".format(modname,b))
return
#TODO: link açıklamaları kalkmayacak
#sayfadan tüm linkleri kaldır
#for tag in sayfa.findAll('a', href=True):
# tag.extract()
paragraflar = sayfa.find_all('div',attrs={'itemprop' : 'articleBody'})
if len(paragraflar)==0:
turkcemi.mesajyaz("Bu sayfada makale bulunmamaktadır.")
return
for pr in paragraflar:
#script bölümlerini temizle
#[s.extract() for s in pr('script')]
#http:// ile başlayan ardışık karakterleri sil
#re.sub('(http.*)\s',' ',pr.text)
#Başlık ile metin arasında boşluk karakteri olsun
parag = " ".join(pr.findAll(text=True))
#Farklı karakterler varsa düzelt
for i in xharfler.keys():
parag=re.sub(i,xharfler[i],parag)
#Başlık ile normal yazı arasına boşluk eklenmesi lazım
turkcemi.mesajyaz(parag)
if (turkcemi.turkcemi(parag) == True) and (len(parag)>=400):
turkcemi.mesajyaz("Bu metin Türkçedir")
turkcemi.mesajyaz("{} {:06d} {} {}".format(turlib.damgatar(),habersay,modname,b))
txttest = derlem.TXTDerlemTRText(parag)
turkcemi.mesajyaz("{} {} Toplam çalışma süresi = {} saniye".format(turlib.damgatar(),modname,time.perf_counter()-basla))
else:
turkcemi.mesajyaz(modname+" Bu metin Türkçe değildir veya yeterli sayıda geçerli Türkçe sözcük barındırmamaktadır.")
def load_arsiv_page(driver,adres):
global sayfasay
basla = time.perf_counter()
if adres[-1]=='/': adres = adres[:-1]
base_url = get_base_url(adres)
driver.get(adres)
elements = driver.find_elements_by_xpath("//li/a[@href]")
for a in elements:
try:
b = a.get_attribute('href')
except Exception as e:
print("gamet.py Exception -1: {}".format(e))
print("gamet.py Exception -1: {}".format(e),file=outfile, flush=True)
continue
if b[-1]=='/': b = b[:-1]
if b == base_url: continue
if not b.startswith(base_url): continue
if b == adres: continue
sayfasay += 1
print("{} gamet.py-2 {} {:05d} {}".format(turlib.damga(), turlib.gecen_sure(baslama), sayfasay, b))
#link başka bir siteye ait olmasın
if base_url in b:
sayfa = turlib.sayfaOku(b)
if sayfa == None:
print("gamet.py Sayfa okunamadı: {}".format(b))
print("gamet.py Sayfa okunamadı: {}".format(b),file=outfile, flush=True)
continue
#sayfadan tüm linkleri kaldır
for tag in sayfa.findAll('a', href=True):
tag.extract()
paragraflar = sayfa.find_all('div',attrs={'class' : 'entry-content'})
if len(paragraflar)== 0:
paragraflar = sayfa.find_all('div',attrs={'class' : 'entry fix'})
if len(paragraflar)==0:
print("Bu sayfada makale bulunmamaktadır.")
print("Bu sayfada makale bulunmamaktadır.",file=outfile, flush=True)
continue
for p in paragraflar:
#script bölümlerini temizle
[s.extract() for s in p('script')]
#div - class=sharedaddy bölümünü temizle
for div in p.findAll('div', attrs={'class':'sharedaddy'}):
div.extract()
#http:// ile başlayan ardışık karakterleri sil
re.sub('(http.*)\s','',p.text)
print(p.text)
print(p.text,file=outfile,flush=True)
if (turkcemi.turkcemi(p.text, fout=outfile) == True) and (len(p.text)>=1000):
print("Bu metin Türkçedir")
print("Bu metin Türkçedir", file=outfile, flush=True)
print("{} {:06d} {} {}".format(damga(), sayfasay,'gamet.py-1',b), flush=True)
print("{} {:06d} {} {}".format(damga(),sayfasay,'gamet.py',b),file=outfile, flush=True)
txttest = TXTDerlemTRText(p.text)
print("{} gamet.py Toplam çalışma süresi = {} saniye".format(damga(),time.perf_counter()-basla),flush=True)
print("{} gamet.py Toplam çalışma süresi = {} saniye".format(damga(),time.perf_counter()-basla),file=logfile,flush=True)
else:
print("gamet.py Bu metin Türkçe değildir veya yeterli sayıda geçerli Türkçe sözcük barındırmamaktadır.")
print("gamet.py Bu metin Türkçe değildir veya yeterli sayıda geçerli Türkçe sözcük barındırmamaktadır.",file=logfile,flush=True)
else:
print("gamet.py Link başka siteye aittir: {}".format(b))
print("gamet.py Link başka siteye aittir: {}".format(b),file=logfile,flush=True)
