fryazino/parser.py at master · RavenSp/fryazino · GitHub

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
from bs4 import BeautifulSoup
from urllib.request import urlopen
import os
import csv

HOST = 'http://www.fryazino.org'
URL_BASE = 'http://www.fryazino.org/docum/Reshen/'
PAGES = ['5832', '5023', '4558']

'''
, '4095', '3406', '2985', '2718', '2551', '2331'
'''

def transliterate(string):

    capital_letters = {u'А': u'A',
                       u'Б': u'B',
                       u'В': u'V',
                       u'Г': u'G',
                       u'Д': u'D',
                       u'Е': u'E',
                       u'Ё': u'E',
                       u'Ж': u'Zh',
                       u'З': u'Z',
                       u'И': u'I',
                       u'Й': u'Y',
                       u'К': u'K',
                       u'Л': u'L',
                       u'М': u'M',
                       u'Н': u'N',
                       u'О': u'O',
                       u'П': u'P',
                       u'Р': u'R',
                       u'С': u'S',
                       u'Т': u'T',
                       u'У': u'U',
                       u'Ф': u'F',
                       u'Х': u'H',
                       u'Ц': u'Ts',
                       u'Ч': u'Ch',
                       u'Ш': u'Sh',
                       u'Щ': u'Sch',
                       u'Ъ': u'',
                       u'Ы': u'Y',
                       u'Ь': u'',
                       u'Э': u'E',
                       u'Ю': u'Yu',
                       u'Я': u'Ya',}

    lower_case_letters = {u'а': u'a',
                       u'б': u'b',
                       u'в': u'v',
                       u'г': u'g',
                       u'д': u'd',
                       u'е': u'e',
                       u'ё': u'e',
                       u'ж': u'zh',
                       u'з': u'z',
                       u'и': u'i',
                       u'й': u'y',
                       u'к': u'k',
                       u'л': u'l',
                       u'м': u'm',
                       u'н': u'n',
                       u'о': u'o',
                       u'п': u'p',
                       u'р': u'r',
                       u'с': u's',
                       u'т': u't',
                       u'у': u'u',
                       u'ф': u'f',
                       u'х': u'h',
                       u'ц': u'ts',
                       u'ч': u'ch',
                       u'ш': u'sh',
                       u'щ': u'sch',
                       u'ъ': u'',
                       u'ы': u'y',
                       u'ь': u'',
                       u'э': u'e',
                       u'ю': u'yu',
                       u'я': u'ya',}

    translit_string = ""

    for index, char in enumerate(string):
        if char in lower_case_letters.keys():
            char = lower_case_letters[char]
        elif char in capital_letters.keys():
            char = capital_letters[char]
            if len(string) > index+1:
                if string[index+1] not in lower_case_letters.keys():
                    char = char.upper()
            else:
                char = char.upper()
        translit_string += char

    bad_symbols = '. , / ? | " ! ~ ` @  # № $ ; : % ^ & ? * ( ) < > \ { } [ ] '.split()

    for symb in bad_symbols:

    	translit_string.replace(symb, '')

    return translit_string

table = []

for PAGE in PAGES:

	URL = URL_BASE + PAGE

	html = urlopen(URL).read()

	BSobj = BeautifulSoup(html, 'lxml')

	cont = BSobj.find('div', {'id':'page_content'}).findAll('p')


	for doc in cont:

		title = ' '.join(doc.get_text().split())
		url = transliterate(title)
		numb = doc.span.text.split()[1]
		date = doc.findAll('span')[1].text.split()[1]
		time = ' 00:00'
		Author = '2'
		DocCategory = '5'
		TypeDoc = '3'
		file = os.path.join(date.split('.')[2], date.split('.')[1], date.split('.')[0], doc.a['href'].split('/')[-1])

		if not os.path.exists(os.path.dirname(file)):
			os.makedirs(os.path.dirname(file))

		if not os.path.exists(file):
			fl = urlopen(HOST + doc.a['href']).read()

			with open(file, 'wb') as f:
				f.write(fl)

			table.append([title, url, numb, Author, DocCategory, TypeDoc, date, None, date + time, True, file])

with open('docs.csv', 'w', newline='') as csvfile:
	writer = csv.writer(csvfile)

	writer.writerows(table)