-
Notifications
You must be signed in to change notification settings - Fork 0
/
testing01.py
202 lines (163 loc) · 7.6 KB
/
testing01.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
import wikipedia
#import mediawiki as pw
import urllib
import json
import wikipediaapi
from bs4 import BeautifulSoup
#import pprint
import pickle
totalcanarios = 1
paginascanarios = {}
# https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmpageid=132668&format=json&cmlimit=500
# https://www.mediawiki.org/wiki/API:Categorymembers
# Hay diferentes tipos de vcard
# infobox
#
#
def getVcard(pagina):
#print("\t\t", pagina)
page = urllib.request.urlopen(pagina)
soup = BeautifulSoup(page.read(),"html.parser" )
table = soup.find('table', class_='infobox')
result = {}
exceptional_row_count = 0
if table != None:
for tr in table.find_all('tr'):
if tr.find('th') and tr.find('td') != None:
result[tr.find('th').text.replace('\n', ' ').replace(u'\xa0', u' ')] = tr.find('td').text.replace('\n', ' ').replace(u'\xa0', u' ')
else:
# the first row Logos fall here
exceptional_row_count += 1
if exceptional_row_count > 1:
print('') # 'WARNING ExceptionalRow>1: ', table)
#print(".......RESULTADO:", pprint.pformat(result))
return result
# Devuelve las keys de un diccionario como una lista
def getList(dict):
list = []
for key in dict.keys():
list.append(key)
return list
# De la documentación de Wikipediaapi
# Muestra las secciones de la página
def print_sections(sections, level=0):
for s in sections:
print("\t\t%s: %s - %s" % ("*" * (level + 1), s.title, s.text[0:40]))
print_sections(s.sections, level + 1)
def print_categorymembers(categorymembers, level=0, categoria='', max_level=200):
global totalcanarios
global paginascanarios
for c in categorymembers.values():
# print("%s: %s (ns: %d) -> l:%d" % ("*" * (level + 1), c.title, c.ns, len(c.backlinks) ))
if c.ns == wikipediaapi.Namespace.CATEGORY and level < max_level:
#print(">>>>>>>>>>>> Category members: "+c.title + "<<<<<<<<<<<<")
print_categorymembers(c.categorymembers, level=level + 1, categoria=c.title, max_level=max_level)
elif c.ns == wikipediaapi.Namespace.MAIN :
#id, profundidad, nombre, links, idiomas, secciones, url,
wiki = wikipediaapi.Wikipedia(LANG)
page = wiki.page(c.title)
#page.wpaginadictiki.pageid
if c.__dict__.get('pageid') in paginascanarios:
print("ya estaba: " + str(c.__dict__.get('pageid')) + " " + c.title)
else:
canario = {}
canario = {"id" : c.__dict__.get('pageid'),
"title" : c.title,
"categoria" : categoria,
"level" : "*" * (level + 1),
"backlinks" : len(c.backlinks),
"languages" : str(getList(c.langlinks)),
"languagesdetail" : c.langlinks,
"numlanguages" : len(c.langlinks),
"numsections" : len(c.sections),
"fullurl" : page.fullurl,
"vcard" : getVcard(page.fullurl)
}
#print(canario)
paginascanarios[c.__dict__.get('pageid')] = canario
print("%d, %s, %s %s, %s, %d, %d, %d, %s, %s" %
(totalcanarios,
categoria.replace('Categoría:',''),
c.__dict__.get('pageid') ,
"*" * (level + 1),
c.title,
len(c.backlinks),
len(c.langlinks),
len(c.sections),
len(getList(c.langlinks)),
page.fullurl
))
totalcanarios = totalcanarios + 1
#print("%s: %s (ns: %d) -> l:%d" % ("*" * (level + 1), c.title, c.ns, len(c.backlinks) ))
#print("\t", len(c.sections) ) # print_sections
#print("\t", page.fullurl )
#getVcard(page.fullurl)
#print("\t%d > %s" % (len(c.langlinks),str(getList(c.langlinks))) )
###print("\t", str(getList(c.langlinks)))
def listaPaginasporID(pageid):
#Páginas enlazadas directamente en una categoría
listaPaginas = []
pages = urllib.request.urlopen("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmpageid=" + str(pageid) + "&format=json&cmlimit=500")
print("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmpageid=" + str(pageid) + "&format=json&cmlimit=500")
data = json.load(pages)
query = data['query']
category = query['categorymembers']
for x in category:
print (str(x['pageid']) + ' > ' + x['title'].replace("Categoría", "Category"))
listaPaginas.append(x['pageid'])
return listaPaginas
def listaCategoriasporID(pageid):
#Subcategorías por ID
listaCategorias = []
pages = urllib.request.urlopen("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmpageid=" + str(pageid) + "&format=json&cmlimit=500&cmtype=subcat")
data = json.load(pages)
query = data['query']
category = query['categorymembers']
for x in category:
print (str(x['pageid']) + ' > ' + x['title'].replace("Categoría", "Category"))
listaCategorias.append(x['pageid'])
return listaCategorias
#
# Valores por defecto para el script
#
LANG = "es"
CATEGORIAORIGEN = "Category:Canarios"
IDCATEGORIAORIGEN = 132668
AGENT = {"User-Agent': 'Mozilla/5.0"}
###CATEGORIAORIGEN = "Category:Naturales_de_la_provincia_de_Las_Palmas"
###IDCATEGORIAORIGEN = 4343370
wikipedia.set_lang(LANG)
#print(wikipedia.search("Bill"))
canarios = wikipedia.page(CATEGORIAORIGEN)
#print(canarios)
#print(canarios.links)
# Library wikipedia-api
wiki_wiki = wikipediaapi.Wikipedia(LANG)
print("\n\n\nMétodo alternativo\n\n\n")
# Páginas enlazadas?
#pages = urllib.request.urlopen("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmtitle=" + CATEGORIAORIGEN + "&format=json&cmlimit=5000")
#Subcategorías por nombre
#pages = urllib.request.urlopen("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmtitle=" + CATEGORIAORIGEN + "&format=json&cmlimit=5000&cmtype=subcat")
#Subcategorías por ID
#pages = urllib.request.urlopen("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmpageid=" + str(IDCATEGORIAORIGEN) + "&format=json&cmlimit=5000&cmtype=subcat")
print("https://es.wikipedia.org/w/api.php?action=query&list=categorymembers&cmtitle=" + CATEGORIAORIGEN + "&format=json&cmlimit=5000&cmtype=subcat")
#print ("Obtenemos subcategorías")
#subcategorias = listaCategoriasporID(IDCATEGORIAORIGEN)
#print(subcategorias)
#print ("Obtenemos páginas")
#paginas = listaPaginasporID(IDCATEGORIAORIGEN)
#print("paginas")
#print(paginas)
# Copiado de https://pypi.org/project/Wikipedia-API/
cat = wiki_wiki.page(CATEGORIAORIGEN)
print(">>>>>>>>>>>> Category members: "+CATEGORIAORIGEN + "<<<<<<<<<<<<")
print_categorymembers(cat.categorymembers, categoria=CATEGORIAORIGEN)
print ("\n\n ----- FIN -----")
fp = open("canarios.pkl","wb")
pickle.dump(paginascanarios,fp)
fp.close()
#for p in paginas:
# pagina = wikipedia.page(None,p)
# print(pagina)
# page_py = wiki_wiki.page(p)
# print(page_py)