def analize(self,url):
try:
html = urlopen(url)
except HTTPError as e:
print(e)
except URLError:
print("Servidor no encontrado")
else:
content = html.read().decode('utf-8', 'ignore')
res = BeautifulSoup(content,"html.parser")
info = res.find("div",{"id":"publicacionInfo"})
if (info is None):
print("NO hay datos de este boletín")
return False
numero = int(info.span.getText().split()[1])
# obtener el año.
info = res.find("span",{"id":"DOGData"})
temp = info.getText().split()
year = int(temp[len(temp)-1])
mes = self.meses.index(temp[len(temp)-3]) + 1
dia = int(temp[len(temp)-5])
fecha = date(year,mes,dia)
if (self.checkBulletinExists(self.bulletin,fecha) == True):
print ("Ya he encontrado datos")
return True
self.beginAnalysis(fecha)
#self.setAnalysisState("DOGA",fecha,"INICIADO")
sections = res.findAll("div",{"id":re.compile('secciones*')})
for section in sections:
lines = section.findAll("li")
for line in lines:
if (line.a is not None):
noticia = Noticia()
noticia.bulletin = self.bulletin
noticia.bulletin_year = year
noticia.bulletin_no = numero
noticia.bulletin_date = fecha
noticia.seccion = ""
noticia.organismo = line.findPrevious('p',{'class':'dog-toc-organismo'}).getText()
noticia.organo = "" #li.span.getText()
noticia.servicio = ""
noticia.newname = line.a.getText()
noticia.url = "https://www.xunta.gal" + line.a['href']
self.normalizar(noticia)
pseccion = line.findPrevious('p',{'class':'dog-toc-nivel-2'})
if (pseccion is not None):
if (pseccion.getText() == 'c) Outros anuncios'):
noticia.seccion = 'SECCIÓN NON OFICIAL'
if (self.isNotificable(noticia.newname)):
noticia.notify = 1
noticia.fav = 0
noticia.readed = 0
noticia.created_at = datetime.now()
noticia.updated_at = datetime.now()
noticia.imprimir()
noticia.save()
def analize(self, url):
try:
print("Dentro de analize")
print(url)
html = urlopen(url)
except HTTPError as e:
print(e)
except URLError as u:
print("Servidor depo no encontrado " + url)
print(u)
else:
content = html.read().decode('utf-8', 'ignore')
res = BeautifulSoup(content, "html.parser")
strnumero = res.find("h2", {"class": "numero"})
if (strnumero is None):
print("No existe boletín para este día")
return False
numero = int(strnumero.getText().split()[2])
info = res.find("span", {"class": "fecha"}).getText().split()
year = int(info[len(info) - 4])
mes = self.meses.index(
info[len(info) - 6]) + 1 # El array comienza en 0
dia = int(info[len(info) - 8])
fecha = date(year, mes, dia)
if (self.checkNumber(year, numero, "BOPPO")):
return True
self.beginAnalysis(fecha)
self.setAnalysisState("BOPPO", fecha, "INICIADO")
grupo = res.findAll("ul", {"class": "listadoSumario"})
for tag in grupo:
organismo = tag.findPrevious('p', {"class": "Org"}).getText()
seccion = tag.findPrevious('h4', {"class": "tit"}).getText()
tmp = tag.fetchPreviousSiblings()[0]
# Busco los elementos anteriores
lis = tag.findAll("li")
for li in lis:
noticia = Noticia()
noticia.bulletin = "BOPPO"
noticia.bulletin_year = year
noticia.bulletin_no = numero
noticia.bulletin_date = fecha
noticia.created_at = datetime.now()
noticia.updated_at = datetime.now()
noticia.seccion = seccion
noticia.organismo = organismo
noticia.organo = li.span.getText()
noticia.servicio = ""
noticia.organization = li.span.getText()
noticia.newname = li.p.getText()
if (tmp.get("class")[0] == "inst"):
noticia.organo = tmp.getText()
if (self.isNotificable(noticia.newname)):
noticia.notify = 1
noticia.url = "https://boppo.depo.gal" + li.a['href']
self.normalizar(noticia)
noticia.imprimir()
noticia.save()
# LLegados aquí, ha finalizado el análisis
self.setAnalysisState("BOPPO", fecha, "FINALIZADO")
def analize(self, url):
try:
html = urlopen(url)
except HTTPError as e:
print(e)
except URLError as u:
print("Servidor depo no encontrado " + url)
print(u)
else:
content = html.read().decode('utf-8', 'ignore')
res = BeautifulSoup(content, "html.parser")
# Vamos a por el número:
grupo_codigo = res.find('div',
{"class": "field--name-field-ail-codigo"})
numero = int(
grupo_codigo.find('div', {'class', 'field__item'}).getText())
grupo_codigo = res.find(
'div',
{'class', 'field--name-field-ail-bop-fecha-publicacion'})
sfecha = grupo_codigo.find('div', {
'class': 'field__item'
}).getText().split()
dia = int(sfecha[1])
mes = self.meses.index(sfecha[3].lower()) + 1
anio = int(sfecha[5])
fecha = date(anio, mes, dia)
if (self.checkNumber(anio, numero, "BOPLU")):
return True
self.beginAnalysis(fecha)
self.setAnalysisState("BOPLU", fecha, "INICIADO")
div = res.find("div",
{"class": "field--name-field-ail-bop-contenido"})
lista = div.find("ul")
secciones = lista.children
for seccion in secciones:
if hasattr(seccion, 'strong'):
seccion_nombre = seccion.strong.getText()
if (not hasattr(seccion, 'children')):
continue
lista = seccion.find("ul")
if (lista is not None):
organismos = lista.findChildren("li", recursive=False)
for organismo in organismos:
noticias = organismo.find("ul")
if ((organismo.strong is None) or (noticias is None)):
noticia = Noticia()
noticia.bulletin = "BOPLU"
noticia.bulletin_year = anio
noticia.bulletin_no = numero
noticia.bulletin_date = fecha
noticia.created_at = datetime.now()
noticia.updated_at = datetime.now()
noticia.seccion = "OTROS"
noticia.organismo = seccion_nombre
noticia.organo = ""
noticia.servicio = ""
noticia.organization = ""
if (organismo.a is not None):
noticia.newname = organismo.a.getText()
noticia.url = "http://deputacionlugo.gal" + organismo.a[
'href']
else:
print("Ha habido una incidencia")
noticia.newname = "INCIDENCIA: "
if (self.isNotificable(noticia.newname)):
noticia.notify = 1
self.normalizar(noticia)
noticia.imprimir()
noticia.save()
else:
noticias = organismo.ul.findChildren("li")
for n in noticias:
noticia = Noticia()
noticia.bulletin = "BOPLU"
noticia.bulletin_year = anio
noticia.bulletin_no = numero
noticia.bulletin_date = fecha
noticia.created_at = datetime.now()
noticia.updated_at = datetime.now()
noticia.seccion = seccion_nombre
noticia.organismo = organismo.strong.getText()
noticia.organo = ""
noticia.servicio = ""
noticia.organization = ""
noticia.newname = n.a.getText()
if (self.isNotificable(noticia.newname)):
noticia.notify = 1
noticia.url = "http://deputacionlugo.gal" + n.a[
'href']
self.normalizar(noticia)
noticia.imprimir()
noticia.save()
else:
print("Lista vacía")
self.setAnalysisState("BOPLU", fecha, "FINALIZADO")
def analize(self, url):
try:
html = urlopen(url)
except HTTPError as e:
print(e)
except URLError as u:
print("Servidor BOE no encontrado " + url)
print(u)
else:
print("Iniciando Análisis del BOE...")
content = html.read().decode('utf-8', 'ignore')
res = BeautifulSoup(content, "html.parser")
cabecera = res.find('div', {'class': "tituloSumario"})
partes = cabecera.getText().split()
dia = int(partes[5])
mes = self.meses.index(partes[7]) + 1
ano = int(partes[9][:-1])
numero = partes[11]
fecha = date(ano, mes, dia)
#<div class="solapasMultiplesBOES"><ul>
# <li class="current"><abbr title="Número">Núm.</abbr> 89</li>
# <li><a href="index.php?d=88"><abbr title="Número">Núm.</abbr> 88</a></li>
# </ul>
#</div>
multiple = res.find('div', {'class': 'solapasMultiplesBOES'})
if multiple is not None:
print("Encontrado día múltiple")
numero = int(
multiple.find('li', {
'class': 'current'
}).getText().split(" ")[1])
ano = int(partes[9])
if "/index.php?d=" not in url:
otros = multiple.findAll("li", {'class': None})
for o in otros:
newurl = url + o.a['href']
print(newurl)
if newurl not in self.urls_visited:
self.urls.append(newurl)
fecha = date(ano, mes, dia)
# Comprobamos si ya existe
#if (self.checkBulletinExists(self.bulletin,fecha) == True):
if (self.checkNumber(ano, numero, self.bulletin) == True):
print("Ya he encontrado datos")
return True
self.beginAnalysis(fecha)
self.setAnalysisState(self.bulletin, fecha, "INICIADO")
noticias = res.findAll("li", {"class": "dispo"})
i = 1
for n in noticias:
print("Noticia número: " + str(i))
noticia = Noticia()
noticia.bulletin = self.bulletin
noticia.bulletin_year = ano
noticia.bulletin_no = numero
noticia.bulletin_date = fecha
noticia.created_at = datetime.now()
noticia.updated_at = datetime.now()
noticia.newname = n.p.getText()
noticia.seccion = ""
if (self.isNotificable(noticia.newname)):
noticia.notify = 1
noticia.url = "https://www.boe.es" + n.div.ul.li.a['href']
# Encontrar los antecesores:
h3 = n.findPrevious('h3')
if (h3 is not None):
noticia.seccion = h3.getText()
h4 = n.findPrevious('h4')
if (h4 is not None):
noticia.organismo = h4.getText()
h5 = n.findPrevious('h5')
if (h5 is not None):
h4b = h5.findPrevious('h4')
if (h4b.getText() == h4.getText()):
noticia.organo = h5.getText()
# self.normalizar(noticia)
noticia.imprimir()
noticia.save()
i += 1
self.setAnalysisState(self.bulletin, fecha, "FINALIZADO")
def analize(self, url):
try:
html = urlopen(url)
except HTTPError as e:
print(e)
except URLError as u:
print("Servidor depo no encontrado " + url)
print(u)
else:
content = html.read().decode('utf-8', 'ignore')
res = BeautifulSoup(content, "html.parser")
s_info = res.find("div", {"id": "infoBoletin"})
if (s_info is None):
print("No se ha encontrado boletín")
return False
info = s_info.find("a").getText()
cachos = info.split()
numero = int(cachos[4])
dia = int(cachos[7])
mes = self.meses.index(cachos[9]) + 1
ano = int(cachos[11])
fecha = date(ano, mes, dia)
if (self.checkNumber(ano, numero, "BOPCO")):
return True # Ya existen.
self.beginAnalysis(fecha)
self.setAnalysisState("BOPCO", fecha, "INICIADO")
anuncios = res.findAll("div", {"class": "bloqueAnuncio"})
for anuncio in anuncios:
noticia = Noticia()
noticia.bulletin = "BOPCO"
noticia.bulletin_year = ano
noticia.bulletin_no = numero
noticia.bulletin_date = fecha
if (anuncio.find("h2")):
noticia.organismo = anuncio.find("h2").getText()
noticia.organo = anuncio.find("h3").getText()
servi = anuncio.find("h4")
if (servi is not None):
noticia.servicio = anuncio.find("h4").getText()
else:
tmp = anuncio.find("h3")
if (tmp is not None):
noticia.organismo = anuncio.find("h3").getText()
else:
noticia.organismo = "OTROS"
if (anuncio.find("h4")):
noticia.organo = anuncio.find("h4").getText()
noticia.servicio = ""
noticia.seccion = anuncio.findPrevious(
'h1', {
"class": "administracion"
}).getText()
resumen = anuncio.find("p", {"class": "resumenSumario"})
noticia.url = "https://bop.dacoruna.gal/bopportal/publicado/" + str(
ano) + "/" + str(mes) + "/" + str(
dia) + "/" + resumen.select("a")[0]['href']
noticia.newname = resumen.select("a")[0].getText().strip(
) + " - " + resumen.select("a")[1].getText().strip()
# la notificación hay que comprobarla
if (self.isNotificable(noticia.newname)):
noticia.notify = 1
noticia.fav = 0
noticia.readed = 0
noticia.created_at = datetime.now()
noticia.updated_at = datetime.now()
noticia.imprimir()
noticia.save()
self.setAnalysisState("BOPCO", fecha, "FINALIZADO")