-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathScraping_ARIA.py
189 lines (164 loc) · 6.27 KB
/
Scraping_ARIA.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
from bs4 import BeautifulSoup
import csv
import json
import math
from multiprocessing import Pool
from multiprocessing.dummy import Pool as ThreadPool
import os
import re
import requests
import time
import urllib.request
MAX_TIME_OUT = 60
url_root = "https://www.aria.developpement-durable.gouv.fr/"
url_search = url_root + "?s=&fwp_types_de_publication=accident&fwp_per_page=100&fwp_paged=%s"
# Répertoire d'accueil des pages
folder = "ARIA_pages/"
try :
os.mkdir(folder)
except :
print('Le dossier existe déjà')
def appelerAPI(numAria) :
url = "https://www.aria.developpement-durable.gouv.fr/wp-json/facetwp/v1/refresh"
facets = {
"recherche":"",
"enseignements_sectoriels":[],
"enseignements_thmatiques":[],
"types_de_publication":["accident"],
"date_de_publication":[],
"numero_aria":[numAria],
"date_de_survenue":[],
"pays":[],
"region":[],
"departements":[],
"commune":[],
"code_naf":[],
"documents_complementaires":[],
"types_daccidents":[],
"types_dvnement":[],
"matieres":[],
"classes_de_danger_clp":[],
"equipements":[],
"eish_public":[],
"consequences":[],
"echelle_matiere":[],
"echelle_humaine":[],
"echelle_environnement":[],
"echelle_economie":[],
"causes_premieres":[],
"causes_profondes":[]
}
facets = json.dumps(facets)
myobj = {
"action": "facetwp_refresh",
"data[facets]": facets,
"data[http_params][get][s]": "",
"data[http_params][get][fwp_numero_aria]": numAria,
"data[http_params][uri]": "",
"data[http_params][url_vars][numero_aria][]": numAria,
"data[http_params][lang]": "fr",
"data[template]": "recherche_accidents"
#"data[extras][pager]": "true",
#"data[extras][per_page]": "default",
#"data[extras][counts]": "true",
#"data[extras][sort]": "default",
#"data[soft_refresh]": 0,
#"data[is_bfcache]": 1,
#"data[first_load]": 0,
#"data[paged]": 1,
}
response = requests.post(url, data = myobj, timeout = MAX_TIME_OUT)
return(response)
# ------------------------
# Scraping des liens d'accidents
# A vérifier : si la fiche a changé, incrément de numéro XXXX-2.
links_csv_file = 'url_accidents_ARIA.csv'
if os.path.exists(links_csv_file):
print("Le fichier des URL existe déjà.")
else:
# Nombre de pages, de résultats
page_resultats = appelerAPI('').text
nb_resultats = json.loads(page_resultats)['settings']['pager']['total_rows']
nb_pages = math.ceil(nb_resultats/100) # Ne pas utiliser total_pages car assis sur 10 résultats par page
print("On parcourt les %s pages"%(nb_pages))
outF = open("url_accidents_ARIA.csv", "w", encoding='utf-8')
for n in range(nb_pages) :
print(n, end = ' ')
page_response = requests.get(url_search%(str(n+1)), timeout = MAX_TIME_OUT) # Part de 1 à ...
page_content = BeautifulSoup(page_response.content, "html.parser")
results = page_content.find_all("h2")
for result in results :
link = result.find_all('a')[0]['href']
outF.writelines(str(link) + '\n')
outF.close()
# -----------------------------------
# Scraping des pages html
# Lecture des liens d'accidents
with open(links_csv_file, 'r') as f:
reader = csv.reader(f)
links = list(reader)
links = [item for sublist in links for item in sublist]
print("Nombre d'URL dans la liste des URL : %d." % len(links))
# Pages déjà présentes dans le dossier
pages = [f for f in os.listdir(folder) if os.path.isfile(os.path.join(folder, f))]
pages_dict = {}
for page in pages:
pages_dict[page] = True
# Nouvelles pages à télécharger
missing_links = [link for link in links if re.sub('.*/([^/]*)/', 'fiche_\\1.html', link) not in pages_dict]
print("Nombre de nouvelles fiches à télécharger : %d." % len(missing_links))
def telechargerPageAccident(link) :
# Chargement des pages
page_name = re.sub('.*/([^/]*)/', folder + 'fiche_\\1.html', link)
meta_page_name = re.sub('.*/([^/]*)/', folder + 'meta_\\1.txt', link)
try :
page = requests.get(link, timeout = MAX_TIME_OUT)
#missing_links.remove(link)
except :
print("Erreur sur le lien %s"%(link))
return()
# Si la page est trouvée, téléchargement du contenu (allégé)
content = BeautifulSoup(page.content, "lxml")
title = content.find('span', {"class" : "page-header-title wpex-clr"})
url = '<link href = "%s">'%(link)
article = content.find('article')
numAria = int(re.sub('N° ', '', article.find("strong").text)) # Utile pour la recherche meta
# Sauvegarde des pages dans un fichier html
outF = open(page_name, "w", encoding='utf-8')
outF.writelines(str(url))
outF.writelines(str(title))
outF.writelines(str(article))
outF.close()
# Sauvegarde des metadonnées en appellant l'API
try:
data = json.loads(appelerAPI(numAria).text)['facets']
outM = open(meta_page_name, "w", encoding='utf-8')
for child in data :
options = BeautifulSoup(data[child], "html.parser").findAll("option")
options = [x.text for x in options]
options = [re.sub("(.*) {{.*", "\\1", x) for x in options if re.match(".*\\(1\\)", x)]
options = ','.join(options)
outM.write(str(child + '=' + options + "\n"))
outM.close()
except Exception as inst:
print("Erreur sur le lien %s"%(link))
print(inst)
os.remove(page_name)
return()
print("Ok > " + page_name)
# Parallélisation, sinon c'est vraiment trop long :D (100k fichiers)
pool = ThreadPool(20)
pool.map(telechargerPageAccident, missing_links)
pool.close()
pool.join()
# Si le chargement a été interrompu, le fichier meta est surement vide. Dans ce cas,
pages = [f for f in os.listdir(folder) if os.path.isfile(os.path.join(folder, f))]
pages = [f for f in pages if os.path.getsize(folder + f) == 0]
pages = [re.sub('meta_(.*).txt', 'fiche_\\1.html', f) for f in pages]
print("Nombre de fiches corrompues : %d." % len(pages))
for page in pages :
print(page)
try :
os.remove(folder + page)
except :
pass