def perfil(parametros):
fecha = parametros['fecha']
medios = set(parametros['medios'])
twittear = parametros['twittear']
if len(medios) == 0:
medios = set([
'clarin', 'lanacion', 'infobae', 'paginadoce', 'eldestape',
'telam', 'perfil', 'ambito', 'tn'
])
string_fecha = ""
if type(fecha) is dict:
string_fecha = fecha['desde'].strftime(
"%d.%m.%Y") + " al " + fecha['hasta'].strftime("%d.%m.%Y")
else:
string_fecha = fecha.strftime("%d.%m.%Y")
with open('medios/diarios/config.yaml', 'r') as stream:
try:
config = yaml.safe_load(stream)
except yaml.YAMLError as exc:
print(exc)
etiqueta_medios = []
k = Kiosco()
for diario in config['diarios']:
tag = diario['tag']
categorias = k.categorias_existentes(diario=tag)
etiqueta_medios = [diario['twitter']]
if tag not in medios:
continue
lista_medio = []
total = k.contar_noticias(diario=tag, fecha=fecha)
if total == 0:
continue
for cat in categorias:
n = k.contar_noticias(diario=tag, categorias=[cat], fecha=fecha)
lista_medio.append(n)
data = []
data.extend([n * 100 / total for n in lista_medio])
path_imagen = "perfil-" + tag + ".jpg"
utiles.lollipop(path=path_imagen,
colormap=utiles.cmap_del_dia(),
titulo="Resumen de " + diario['twitter'] + " - " +
string_fecha,
etiquetas=categorias,
unidad="cantidad de noticias",
valfmt="{x:.0f}",
data=lista_medio)
if twittear:
texto = "Suma de noticias de #" + tag + " del " + string_fecha + ", en cada una de sus secciones."
utiles.twittear(texto=texto, path_imagen=path_imagen, cuenta="dlm")
def leer_todo(self):
kiosco = Kiosco()
print("leyendo '" + self.etiqueta + "'...")
tag_regexp = re.compile(r'<[^>]+>')
entradas = []
url_feed_template = self.feeds['todo'] + "&start="
index = 0
feed = fp.parse(url_feed_template + str(index))
while len(feed.entries) > 0:
entradas.extend(feed.entries)
index += 40
feed = fp.parse(url_feed_template + str(index))
for entrada in entradas:
titulo = entrada.title
texto = bs(re.sub(tag_regexp, ' ', entrada.summary),
features="lxml").text
fecha = dateutil.parser.parse(entrada.published)
url = entrada.link
if kiosco.bd.noticias.find(filter={
'diario': self.etiqueta,
'url': url
}).count() > 0: # si existe ya la noticia (url), no la decargo
continue
self.noticias.append(
Noticia(fecha=fecha,
url=url,
diario=self.etiqueta,
categoria='todo',
titulo=titulo,
texto=self.limpiar_texto(texto)))
def leer(self):
kiosco = Kiosco()
print("leyendo '" + self.etiqueta + "'...")
tag_regexp = re.compile(r'<[^>]+>')
for tag, url_feed in self.feeds.items():
for entrada in fp.parse(url_feed).entries:
titulo = entrada.title
texto = re.sub(tag_regexp, ' ', entrada.content[0].value)
fecha = dateutil.parser.parse(
entrada.published) - datetime.timedelta(hours=3)
url = entrada.link
if kiosco.bd.noticias.find(filter={
'diario': self.etiqueta,
'url': url
}).count() > 0: # si existe ya la noticia (url), no la decargo
continue
self.noticias.append(
Noticia(fecha=fecha,
url=url,
diario=self.etiqueta,
categoria=tag,
titulo=titulo,
texto=self.limpiar_texto(texto)))
def leer(self):
kiosco = Kiosco()
print("leyendo '" + self.etiqueta + "'...")
for url, fecha, titulo, categoria in self.entradas_feed():
if kiosco.contar_noticias(
diario=self.etiqueta,
url=url): # si existe ya la noticia (url), no la decargo
continue
texto = self.parsear_noticia(url=url)
if texto == None:
continue
self.noticias.append(
Noticia(fecha=fecha,
url=url,
diario=self.etiqueta,
categoria=categoria,
titulo=titulo,
texto=texto))
def top_personas(self, textos, n=10):
if self.bigramas == None and self.trigramas == None:
# si todavia no se calcularon los ngramas, los calculo
# recupero las noticias deL ultimo dia para armar los bigramas
hasta = datetime.datetime.now()
desde = hasta - datetime.timedelta(days=1)
kiosco = Kiosco()
set_entrenamiento = [noticia['titulo'] + " " + noticia['texto'] for noticia in kiosco.noticias(fecha={'desde':desde, 'hasta':hasta})][:200]
personas = self.__bolsa_de_personas__(set_entrenamiento)
self.__entrenar_bigramas__(set_entrenamiento=personas)
self.__entrenar_trigramas__(set_entrenamiento=personas)
personas = self.__bolsa_de_personas__(textos)
personas_con_bigramas = self.bigramas[personas]
personas_con_trigramas = self.trigramas[personas_con_bigramas]
personas_freq_tri = defaultdict(int)
for sent in personas_con_trigramas:
for i in sent:
personas_freq_tri[i] += 1
# top_tri = {k: personas_freq_tri[k] for k in sorted(personas_freq_tri, key=personas_freq_tri.get, reverse=True)}
# lo limito a 50 porque estan los relevantes, mas alla del 100 hay basura
list_top_tri_ordenado = [(k, personas_freq_tri[k]) for k in sorted(personas_freq_tri, key=personas_freq_tri.get, reverse=True)][:50]
nombres_a_borrar = []
for nombre, freq in list_top_tri_ordenado:
for nombre_2, freq_2 in list_top_tri_ordenado:
if nombre != nombre_2 and nombre in nombre_2:
personas_freq_tri[nombre_2] += freq
if nombres_a_borrar.count(nombre) == 0:
nombres_a_borrar.append(nombre)
break
for nombre in nombres_a_borrar:
del personas_freq_tri[nombre]
list_top_tri = [(k, personas_freq_tri[k]) for k in sorted(personas_freq_tri, key=personas_freq_tri.get, reverse=True) if k.count("_") > 0 and k.count("_") < 3][:n]
return [(concepto.replace('_', self.separador), numero) for concepto, numero in list_top_tri]
def leer(self):
kiosco = Kiosco()
print("leyendo '" + self.etiqueta + "'...")
tag_regexp = re.compile(r'<[^>]+>')
for entrada in fp.parse(self.feed_noticias).entries:
url = entrada.link
if kiosco.contar_noticias(
diario=self.etiqueta,
url=url): # si existe ya la noticia (url), no la decargo
continue
titulo = entrada.title
texto = re.sub(tag_regexp, ' ', entrada.content[0].value)
fecha = dateutil.parser.parse(
entrada.published) - datetime.timedelta(hours=3)
categoria = url.split('/')[3]
if categoria == "america":
categoria = "internacional"
if categoria == "teleshow":
categoria = "espectaculos"
if categoria == "deportes-2":
categoria = "deportes"
if categoria not in self.categorias:
continue
self.noticias.append(
Noticia(fecha=fecha,
url=url,
diario=self.etiqueta,
categoria=categoria,
titulo=titulo,
texto=self.limpiar_texto(texto)))
def leer(self):
kiosco = Kiosco()
print("leyendo '" + self.etiqueta + "'...")
for url, fecha, categoria in self.getTuplas():
self.noticias.append(
Noticia(fecha=fecha,
url=url,
diario=self.etiqueta,
categoria=categoria,
titulo=titulo,
texto=self.limpiar_texto(texto)))
def twittear_hilo(parametros):
# tw_intro = {'texto': "Análisis de discurso del string_fecha de #MauricioMacri.", 'media': ['intro0.png','intro1.png']}
# tw_terminos = { 'texto': '@dicenlospresis tweet con terminos', 'media': ["dlp_terminos.png"] }
# tw_verbos = {'texto': '@dicenlospresis tweet con verbos', 'media': ["dlp_verbos.png"]}
# utiles.twittear_hilo([tw_intro, tw_terminos, tw_verbos], cuenta="dlp")
# return
fecha = parametros['fecha']
kiosco = Kiosco()
textos = [
noticia['texto'] for noticia in kiosco.noticias(
diario='casarosada', categorias='', fecha=fecha)
]
if len(textos) == 0:
return
nlp = NLP()
nlp.separador = ''
for texto in textos:
# tw_intro = tweet_intro(texto, string_fecha) # ACA ESTA EL ERROR; STRING FECHA ESTA EN FORMADO MM.DD.YYYY, DEBERIA ESTAR EN YYYY.MM.DD
tw_intro = tweet_intro(texto, fecha)
kiosco = Kiosco()
top_terminos = nlp.top_terminos(textos=[texto], n=15)
top_verbos = nlp.top_verbos(textos=[texto], n=15)
tw_terminos = tweet_terminos(top_terminos)
tw_verbos = tweet_verbos(top_verbos)
if parametros['twittear']:
utiles.twittear_hilo([tw_intro, tw_terminos, tw_verbos],
cuenta="dlp")
def leer(self):
kiosco = Kiosco()
print("leyendo '" + self.etiqueta + "'...")
for tag, url_feed in self.feeds.items():
for url_noticia, fecha in self.reconocer_urls_y_fechas_noticias(
url_feed=url_feed):
if kiosco.bd.noticias.find(filter={
'diario': self.etiqueta,
'url': url_noticia
}).count() > 0: # si existe ya la noticia (url), no la decargo
continue
noticia = self.nueva_noticia(url=url_noticia,
categoria=tag,
diario=self.etiqueta)
if noticia == None:
continue
if noticia.fecha == None:
noticia.fecha = fecha
self.noticias.append(noticia)
with open('medios/diarios/config.yaml', 'r') as stream:
try:
config = yaml.safe_load(stream)
except yaml.YAMLError as exc:
print(exc)
tag_medios = [diario['tag'] for diario in config['diarios'] if diario['tag'] != 'casarosada']
categorias = ['politica', 'economia', 'internacional']
tuplas_tag_cat = []
for tag in tag_medios:
for cat in categorias:
tuplas_tag_cat.append((tag, cat))
k = Kiosco()
# recupero el indice
indice_twittero = k.bd.temp.find_one({'clave':'indice-twittero'})
if indice_twittero:
idx = indice_twittero['idx']
if idx < len(tuplas_tag_cat):
# actualizo el indice de la bd: lo incremento en 1
k.bd.temp.update_one({'clave':'indice-twittero'}, {'$inc':{'idx':1}})
else:
# si ya recorrio todas las tuplas, entonces quiere decir que ya twitteo todo. espero a que vuelvan a reinicar el idx.
exit
# si ya supero el numero total de tuplas, entonces lo reseteo a 0
# k.bd.temp.replace_one({'clave':'indice-twittero'}, {'clave':'indice-twittero', 'idx':1}, upsert=True)
# idx = 0
def test_iniciar_fecha(self):
fecha = Kiosco("20190621")
fecha.diarios
def top_todo(parametros):
fecha = parametros['fecha']
top_max = parametros['top_max']
medios = set(parametros['medios'])
categorias = parametros['categorias']
twittear = parametros['twittear']
solo_titulos = parametros['solo_titulos']
kiosco = Kiosco()
with open('medios/diarios/config.yaml', 'r') as stream:
try:
config = yaml.safe_load(stream)
except yaml.YAMLError as exc:
print(exc)
nlp = NLP()
nlp.separador = ''
for diario in config['diarios']:
tag = diario['tag']
if tag not in medios and len(medios) > 0:
continue
hashtag = diario['hashtag']
textos = []
contenido = "las noticias"
if solo_titulos:
textos = [
noticia['titulo'] for noticia in kiosco.noticias(
diario=tag, categorias=categorias, fecha=fecha)
]
contenido = "los títulos"
else:
textos = [
noticia['titulo'] + " " + noticia['titulo'] + " " +
noticia['texto'] for noticia in kiosco.noticias(
diario=tag, categorias=categorias, fecha=fecha)
]
print("tag: " + tag + " textos: " + str(len(textos)))
if len(textos) == 0:
continue
string_fecha = ""
if type(fecha) is dict:
string_fecha = fecha['desde'].strftime(
"%d.%m.%Y") + " al " + fecha['hasta'].strftime("%d.%m.%Y")
else:
string_fecha = fecha.strftime("%d.%m.%Y")
categorias = ["#" + c for c in categorias]
secciones = ""
if len(categorias) > 0:
secciones = " de " + " y ".join(
[", ".join(categorias[:-1]), categorias[-1]]
if len(categorias) > 2 else categorias)
texto = "Tendencias en " + contenido + secciones + " de " + hashtag + " del " + string_fecha + "\n"
top_todo = nlp.top(textos, n=top_max)
i = 0
for nombre, m in top_todo:
linea = ""
i += 1
if i >= 10:
linea = str(i) + ". #" + nombre + " " + str(m) + "\n"
texto += linea
break
else:
linea = str(i) + ". #" + nombre + " " + str(m) + "\n"
if twittear and len(texto) + len(linea) > 220:
break
else:
texto += linea
print(texto)
if twittear:
path_imagen = tag + ".png"
utiles.nube_de_palabras(path=path_imagen, data=dict(top_todo))
utiles.twittear(texto=texto, path_imagen=path_imagen, cuenta="dlm")
def leer_historico(parametros):
cr = CasaRosada()
# cr.leer_todo()
cr.leer_historico()
kiosco = Kiosco()
kiosco.actualizar_diario(cr)
def intensidad(parametros):
fecha = parametros['fecha']
medios = set(parametros['medios'])
categorias = parametros['categorias']
twittear = parametros['twittear']
if len(categorias) == 0:
categorias = [
'politica', 'economia', 'sociedad', 'internacional', 'deportes',
'espectaculos', 'cultura'
]
if len(medios) == 0:
medios = set([
'clarin', 'lanacion', 'infobae', 'paginadoce', 'eldestape',
'telam', 'perfil', 'ambito', 'tn'
])
string_fecha = ""
if type(fecha) is dict:
string_fecha = fecha['desde'].strftime(
"%d.%m.%Y") + " al " + fecha['hasta'].strftime("%d.%m.%Y")
else:
string_fecha = fecha.strftime("%d.%m.%Y")
data = []
k = Kiosco()
with open('medios/diarios/config.yaml', 'r') as stream:
try:
config = yaml.safe_load(stream)
except yaml.YAMLError as exc:
print(exc)
etiqueta_medios = []
for diario in config['diarios']:
tag = diario['tag']
etiqueta_medios.append(diario['twitter'])
if tag not in medios and len(medios) > 0:
continue
lista_medio = []
total = k.contar_noticias(diario=tag, fecha=fecha)
if total == 0:
continue
for cat in categorias:
n = k.contar_noticias(diario=tag, categorias=[cat], fecha=fecha)
lista_medio.append(n)
data.append([n * 100 / total for n in lista_medio])
conteo = np.array(data)
fig, ax = plt.subplots()
im, cbar = utiles.heatmap(conteo,
etiqueta_medios,
categorias,
ax=ax,
cmap=utiles.cmap_del_dia(),
cbarlabel=string_fecha,
cbar_format="{x:.0f}%")
texts = utiles.annotate_heatmap(im, valfmt="{x:.1f}")
path_imagen = "intensidad.jpg"
fig.tight_layout()
plt.savefig(path_imagen, bbox_inches='tight', dpi=100)
if len(categorias) > 0:
hashtags_categorias = " #" + " #".join(
[" #".join(categorias[:-1]), categorias[-1]]
if len(categorias) > 2 else categorias)
medios = list(medios)
if len(medios) > 0:
hashtags_medios = " #" + " #".join(
[" #".join(medios[:-1]
), medios[-1]] if len(medios) > 2 else medios)
if twittear:
texto = "Porcentaje de noticias x categoría." + hashtags_medios + hashtags_categorias + "."
utiles.twittear(texto=texto, path_imagen=path_imagen, cuenta="dlm")
def leer_medio(medio):
medio.leer()
kiosco = Kiosco()
kiosco.actualizar_diario(medio)
def top_verbos(parametros):
fecha = parametros['fecha']
top_max = parametros['top_max']
medios = set(parametros['medios'])
categorias = parametros['categorias']
twittear = parametros['twittear']
solo_titulos = parametros['solo_titulos']
kiosco = Kiosco()
with open('medios/diarios/config.yaml', 'r') as stream:
try:
config = yaml.safe_load(stream)
except yaml.YAMLError as exc:
print(exc)
nlp = NLP()
for diario in config['diarios']:
tag = diario['tag']
if tag not in medios and len(medios) > 0:
continue
twitter = diario['twitter']
textos = []
contenido = "las noticias"
if solo_titulos:
textos = [
noticia['titulo'] for noticia in kiosco.noticias(
diario=tag, categorias=categorias, fecha=fecha)
]
contenido = "los títulos"
else:
textos = [
noticia['titulo'] + " " + noticia['titulo'] + " " +
noticia['texto'] for noticia in kiosco.noticias(
diario=tag, categorias=categorias, fecha=fecha)
]
print("tag: " + tag + " textos: " + str(len(textos)))
if len(textos) == 0:
continue
string_fecha = ""
if type(fecha) is dict:
string_fecha = fecha['desde'].strftime(
"%d.%m.%Y") + " al " + fecha['hasta'].strftime("%d.%m.%Y")
else:
string_fecha = fecha.strftime("%d.%m.%Y")
texto = "Tendencias en " + contenido + " de " + twitter + " del " + string_fecha + "\n"
top_100 = nlp.top_verbos(textos, n=top_max)
i = 0
for nombre, m in top_100:
linea = ""
i += 1
if i >= 10:
linea = str(i) + ". #" + nombre + " " + str(m) + "\n"
texto += linea
break
else:
linea = str(i) + ". #" + nombre + " " + str(m) + "\n"
if twittear and len(texto) + len(linea) > 220:
break
else:
texto += linea
print(texto)
def test_sumar_noticias_a_fecha(self):
fecha = Kiosco("20190621")
fecha.agregar("infobae", "internacional", )
from bd.entidades import Kiosco
# solo reinicio el idx = 1
k = Kiosco()
k.bd.temp.replace_one({'clave': 'indice-twittero'}, {
'clave': 'indice-twittero',
'idx': 0
},
upsert=True)
