-
Notifications
You must be signed in to change notification settings - Fork 0
/
poberi_lestvice.py
257 lines (218 loc) · 7.74 KB
/
poberi_lestvice.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
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
import datetime
import orodja
import re
ZACETNI_DATUM = datetime.datetime(2015, 1, 11)
KONCNI_DATUM = datetime.datetime(2020, 12, 27)
vzorec_bloka = re.compile(
r'<div class="ranking">'
r'.*?'
r'<div class="link"><a href="#" class="menu"><span>Artist Info.</span></a></div>',
flags=re.DOTALL
)
vzorec_pesmi1 = re.compile(
r'<div class="ranking"><span class="hidden">Ranking: </span><strong>'
r'(?P<mesto>\d+)'
r'</strong>.*?<div class="tit"><strong>'
r'(?P<naslov>.+?)'
r'</strong>.*?target="_blank">'
r'(?P<ime_umetnika>.*?)</a>',
flags=re.DOTALL
)
vzorec_pesmi2 = re.compile(
r'<div class="ranking"><span class="hidden">Ranking: </span><strong>'
r'(?P<mesto>\d+)'
r'</strong>.*?<div class="tit"><strong>'
r'(?P<naslov>.+?)'
r'</strong>.*?<span>'
r'(?P<ime_umetnika>.*?)</span>',
flags=re.DOTALL
)
vzorec_linka_in_sifre = re.compile(
r'<a href="(?P<link_umetnika>.*?seq='
r'(?P<sifra_umetnika>\d+)'
r'.*?)"',
flags=re.DOTALL
)
vzorec_zalozba = re.compile(
r'(Labels|Record Label):.*?</strong>'
r'(?P<zalozba>.+?)'
r'( )?</p>'
)
vzorec_debut1 = re.compile(
r'(Debut|Active from):.*?</strong>.*?'
r'(?P<debut>\d{4})'
r'.*?( )?</p>'
)
vzorec_debut2 = re.compile(
r'(Debut|Active from|Debut Year/Debut Song).*?:.*?'
r'(?P<debut>\d{4})'
)
vzorec_clani = re.compile(
r'Members:.*?</strong>'
r'(?P<clani>.+?)'
r'( )?</p>',
)
vzorec_clani_za_x1_ker_so_tako_posebni = re.compile(
r'content="Members: '
r'(?P<clani>.+?)'
r' ..."',
)
vzorec_biografija1 = re.compile(
r'"fr-fic fr-dib fr-fil"></p><p>'
r'(?P<biografija>\w.*?)'
r'( )?</p>'
)
vzorec_biografija2 = re.compile(
r'biography.gif"></div></div>.*?\n'
r'(?P<biografija>.+?)'
r'<div class="img_box">',
flags=re.DOTALL
)
vzorec_biografija3 = re.compile(
r'class="artistInfo">Biography:?(?P<biografija>.+?)'
r'<div class="albumInfo"',
flags=re.DOTALL
)
def poberi_tedensko_lestvico(datum):
leto = datum.year
mesec = datum.month
dan = datum.day
url = f'http://world.kbs.co.kr/service/musictop10.htm?lang=e&start_year={leto}&rank_date={leto}-{mesec}-{dan}'
datoteka = f'kpop-lestvice/{leto}-{mesec}-{dan}.html'
orodja.shrani_spletno_stran(url, datoteka)
vsebina = orodja.vsebina_datoteke(datoteka)
for blok in vzorec_bloka.finditer(vsebina):
yield izlusci_podatke_pesmi(blok.group(0))
def izlusci_podatke_pesmi(blok):
pesem = vzorec_pesmi1.search(blok)
if not pesem:
pesem = vzorec_pesmi2.search(blok)
pesem = pesem.groupdict()
link_in_sifra = vzorec_linka_in_sifre.search(blok)
if link_in_sifra:
link_in_sifra = link_in_sifra.groupdict()
pesem['sifra_umetnika'] = int(link_in_sifra['sifra_umetnika'])
pesem['link_umetnika'] = 'http://world.kbs.co.kr/service/' + link_in_sifra['link_umetnika'][1:]
else:
pesem['sifra_umetnika'] = None
pesem['link_umetnika'] = None
pesem['mesto'] = int(pesem['mesto'])
pesem['ime_umetnika'] = pocisti_tekst(pesem['ime_umetnika'])
pesem['naslov'] = pocisti_tekst(pesem['naslov'])
return pesem
def poberi_in_izlusci_umetnika(ime, url):
SOLO, SKUPINA = 'SO', 'SK'
umetnik = {}
datoteka = f'umetniki/{ime}.html'
orodja.shrani_spletno_stran(url, datoteka)
vsebina = orodja.vsebina_datoteke(datoteka)
zalozbe = vzorec_zalozba.search(vsebina)
if zalozbe:
zalozbe_za_precistiti = zalozbe['zalozba'].split(', ')
preciscene_zalozbe = []
for zalozba in zalozbe_za_precistiti:
zalozba = neumne_izjeme(zalozba)
cista_zalozba = pocisti_tekst(zalozba)
preciscene_zalozbe.append(cista_zalozba)
umetnik['zalozbe'] = preciscene_zalozbe
if ime == 'SHAUN':
umetnik['zalozbe'] = ['Happy Robot Record']
else:
umetnik['zalozbe'] = None
debut = vzorec_debut1.search(vsebina)
if not debut:
debut = vzorec_debut2.search(vsebina)
if debut:
debut = int(debut['debut'])
if debut == 1808:
debut = 2013
umetnik['debut'] = debut
else:
umetnik['debut'] = None
clani = vzorec_clani.search(vsebina)
if ime == 'X1':
clani = vzorec_clani_za_x1_ker_so_tako_posebni.search(vsebina)
if clani:
umetnik['clani'] = pocisti_tekst(clani['clani']).split(', ')
umetnik['tip'] = SKUPINA
else:
umetnik['clani'] = None
umetnik['tip'] = SOLO
biografija = vzorec_biografija1.search(vsebina)
if not biografija:
biografija = vzorec_biografija2.search(vsebina)
if not biografija:
biografija = vzorec_biografija3.search(vsebina)
if biografija:
biografija = biografija['biografija']
umetnik['biografija'] = pocisti_tekst(biografija)
else:
umetnik['biografija'] = None
return umetnik
def neumne_izjeme(zalozba):
if 'KakaoM' in zalozba:
return 'KakaoM'
if 'Y-WHO Enterprise' in zalozba:
return 'Y-WHO Enterprise'
if 'Woollim' in zalozba:
return 'Woollim'
return zalozba
def pocisti_tekst(tekst):
tekst = tekst.replace(r'<br />', '')
tekst = tekst.replace(r'<br />', '')
tekst = tekst.replace(r'</div>', '')
tekst = tekst.replace(r'</span>', '')
tekst = tekst.replace('\n', ' ')
tekst = tekst.replace(' ', ' ')
tekst = tekst.replace('&', ' ')
tekst = tekst.strip()
if 'Entertainment' == tekst[-13:]:
tekst = tekst[:-13]
return tekst
def zberi_podatke_umetnikov(pesmi):
obdelani_umetniki = set()
umetniki, clani_skupin, zalozbe = [], [], []
for pesem in pesmi:
ime_umetnika = pesem.pop('ime_umetnika')
sifra_umetnika = pesem['sifra_umetnika']
if sifra_umetnika in obdelani_umetniki:
pesem.pop('link_umetnika')
if sifra_umetnika not in obdelani_umetniki:
link_umetnika = pesem.pop('link_umetnika')
if link_umetnika is None:
continue
umetnik = poberi_in_izlusci_umetnika(ime_umetnika, link_umetnika)
zalozbe_umetnika = umetnik['zalozbe']
debut = umetnik['debut']
biografija = umetnik['biografija']
tip = umetnik['tip']
clani = umetnik['clani']
umetniki.append({'sifra_umetnika': sifra_umetnika, 'ime_umetnika': ime_umetnika,
'biografija': biografija, 'tip': tip, 'debut': debut})
if zalozbe_umetnika:
for zalozba in zalozbe_umetnika:
zalozbe.append({'sifra_umetnika': sifra_umetnika, 'zalozba': pocisti_tekst(zalozba)})
if clani:
for clan in clani:
clani_skupin.append({'sifra_umetnika': sifra_umetnika, 'clan': clan})
obdelani_umetniki.add(sifra_umetnika)
return umetniki, clani_skupin, zalozbe
trenutni_datum = ZACETNI_DATUM
pesmi = []
while trenutni_datum != KONCNI_DATUM:
stevec = 0
for pesem in poberi_tedensko_lestvico(trenutni_datum):
pesem['datum'] = trenutni_datum.strftime('%Y-%m-%d')
pesmi.append(pesem)
stevec += 1
if stevec == 10: break
trenutni_datum += datetime.timedelta(days=7)
pesmi.sort(key=lambda pesem: (pesem['datum'], pesem['mesto']))
umetniki, clani_skupin, zalozbe = zberi_podatke_umetnikov(pesmi)
orodja.zapisi_csv(
pesmi,
['datum', 'mesto', 'naslov', 'sifra_umetnika'], 'obdelani-podatki/pesmi.csv'
)
orodja.zapisi_csv(umetniki, ['sifra_umetnika', 'ime_umetnika', 'biografija', 'debut', 'tip'], 'obdelani-podatki/umetniki.csv')
orodja.zapisi_csv(clani_skupin, ['sifra_umetnika', 'clan'], 'obdelani-podatki/clani_skupin.csv')
orodja.zapisi_csv(zalozbe, ['sifra_umetnika', 'zalozba'], 'obdelani-podatki/zalozbe.csv')