def create_dictionary(url): # , func=return_status
""" Returns the status of this procedure """
# a screener to remove abviously erronious urlz
if this_url_looks_fine(url):
request = requests.get(url)
#print request.status_code
if request.status_code == 404:
#logger.warning("404 not foud: %s", url)
return 'url_404' # aka break out if this
# url looks fine and no 404, ok then we run..! OK! Let's go.
logger.warning("\n prover med url: %s", url)
data = request.text
soup = BeautifulSoup(data)
dictionary = {'url':url, 'timestamp':datetime.datetime.now()} # Oppretter første dictionary, med url og datetime for når vi laster ned.
dictionary = analyze_url(dictionary) # Analyserer URL med hensyn på ting vi ville ha med.
dictionary = dispatch_on_template(soup, data, dictionary) # Henter ut data som må hentes ut spesifikt fra hver side.
if(dictionary != False):
add_to_db(dictionary) # Hiver hele herligheten inn i databasen vår.
dictionary['status'] = 'scraped'
return dictionary['status'] # Returnerer det vi har laget i tilfelle det skulle være interessant. (til dømes, dersom et annet program skulle kalle denne funksjonen)
else:
return 'template_not_supported'#False
else:
return 'url_not_fine'
def main(url):
dictionary = {'url':url, 'timestamp':datetime.datetime.now()} # Oppretter første dictionary, med url og datetime for når vi laster ned.
dictionary = analyze_url(dictionary) # Analyserer URL med hensyn på ting vi ville ha med.
souplist = soup_from_url(url)
if souplist == False: # If something went horribly wrong, we just return
return
soup = souplist[0]
data = souplist[1]
dictionary = dispatch_on_template(soup, data, dictionary) # Henter ut data som må hentes ut spesifikt fra hver side.
if(dictionary != False):
add_to_db(dictionary) # Hiver hele herligheten inn i databasen vår.
return dictionary # Returnerer det vi har laget i tilfelle det skulle være interessant. (til dømes, dersom et annet program skulle kalle denne funksjonen)
else:
return False
def main(url):
dictionary = {
'url': url,
'timestamp': datetime.datetime.now()
} # Oppretter første dictionary, med url og datetime for når vi laster ned.
dictionary = analyze_url(
dictionary) # Analyserer URL med hensyn på ting vi ville ha med.
souplist = soup_from_url(url)
if souplist == False: # If something went horribly wrong, we just return
return
soup = souplist[0]
data = souplist[1]
dictionary = dispatch_on_template(
soup, data,
dictionary) # Henter ut data som må hentes ut spesifikt fra hver side.
if (dictionary != False):
add_to_db(dictionary) # Hiver hele herligheten inn i databasen vår.
return dictionary # Returnerer det vi har laget i tilfelle det skulle være interessant. (til dømes, dersom et annet program skulle kalle denne funksjonen)
else:
return False
def mains(url_collection):
for url in url_collection:
analyze_url(url)
return "DONE"
def mains(url_collection):
for url in url_collection:
analyze_url(url)
return "DONE"
#! /usr/bin/python2.7
# coding: utf-8
from analyze_url import analyze_url
with open ("/home/haakon/pythonjobb/nrk/haakon/testhtml/url.txt") as lenkekilde:
lenker = lenkekilde.readlines()
for lenke in lenker:
oppslag = analyze_url({'url':lenke})
if oppslag['programtilknytning'] == "Juntafil":
print "junta"