-
Notifications
You must be signed in to change notification settings - Fork 0
/
corpus.py
197 lines (185 loc) · 7.46 KB
/
corpus.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
import urllib.request
import time
import re
import html.parser
import os
Url = 'https://ugra-news.ru/article/'
class info:
au = ''
ti = ''
da = ''
url = ''
def change_date(date):
date1 = list(date)
odd = [1, 3, 5, 7, 8, 10, 12]
eq = [4, 6, 9, 11]
month = int(date[2:4])
m = date[2:4]
d = date[:2]
if date.startswith('01'):
if month-1 in odd:
date1[0] = '3'
date1[1] = '1'
if month-1 in eq:
date1[0] = '3'
date1[1] = '0'
if month-1 == 2:
date1[0] = '2'
if int(date[-4:])%4 == 0:
date1[1] = '9'
else:
date1[1] = '8'
if m.startswith('0'):
if m.endswith('1'):
date1[0] = '3'
date1[1] = '1'
date1[2] = '1'
date1[3] = '2'
date1[-1] = str(int(date[-1]) - 1)
else:
date1[3] = str(int(date[3]) - 1)
if m.startswith('1'):
if m.endswith('0'):
date1[2] = '0'
date1[3] = '9'
else:
date1[3] = str(int(date[3]) - 1)
else:
if d.startswith('0'):
date1[1] = str(int(date[1]) - 1)
else:
if d.endswith('0'):
print(date)
date1[0] = str(int(date[0]) - 1)
date1[1] = '9'
else:
date1[1] = str(int(date[1]) - 1)
return ''.join(date1)
def clean_text (text):
regTag = re.compile('<.*?>', re.DOTALL)
regScript = re.compile('<script>.*?</script>', re.DOTALL)
regComment = re.compile('<!--.*?-->', re.DOTALL)
text = regScript.sub('', text)
text = regComment.sub('', text)
text = regTag.sub('', text)
text = html.unescape(text)
return text
def read_text(text, pu):
T = info()
T.url = pu
n = re.search('<h1>(.+?)</h1>', text)
T.ti = html.unescape(n.group(1))
n = re.search('<div class="field field-name-field-author field-type-taxonomy-term-reference field-label-above"><div class="field-label">Автор текста: </div><div class="field-items"><div class="field-item even"><a href=(.+?) typeof="skos:Concept" property="rdfs:label skos:prefLabel" datatype="">(.+?)</a></div></div></div>', text)
if 'class="field-item odd"' in n.group(2):
if n.group(2).startswith('Новости') or n.group(2).startswith('Местное') or n.group(2).startswith('Сургут') or n.group(2).startswith('Знамя') or n.group(2).startswith('Югорское'):
m = re.search('(.+)>(.*)', n.group(2)) #Иногда есть два "автора": название газеты и само имя автора
T.au = m.group(2)
else:
m = re.search('(.+?)</a>(.*)', n.group(2))
T.au = m.group(1)
else:
T.au = n.group(2)
n = re.search ('https://ugra-news.ru/article/(.+?)/', pu)
date = n.group(1)
T.da = date[:2] + '.' + date[2:4] + '.' + date[4:]
r = re.compile('<div class="field field-name-body(.+?)>(.+?)</div></div></div>', re.DOTALL)
res = r.search(text)
news_text = res.group(2)
news_text = clean_text(news_text)
return news_text, T
def create_text(T, text, i):
name = str(i) + '.txt'
print ('name is ', name)
s = '@au ' + T.au + '\n' + '@ti ' + clean_text(T.ti) + '\n' + '@da ' + T.da + '\n' + '@url ' + T.url + '\n'
f = open(name, 'w', encoding = 'utf8')
f.write(s)
f.write(text)
f.close()
return name
def create_s(path, T):
s = '%s\t%s\t\t\t%s\t%s\tпублицистика\t\t\t\t\tнейтральный\tн-возраст\tн-уровень\tокружная\t%s\tugra-news.ru\t\t%s\tгазета\tРоссия\tЮгра\tru\n'
s = s % (path, T.au, T.ti, T.da, T.url, T.da[-4:])
return s
def changing(i, j):
k = True
while k:
i = i - 1
pu = Url + j + '/' + str(i)
print ('new url ', pu)
try:
page = urllib.request.urlopen(pu)
k = False
except:
continue
return i
def mystem(path, name):
os.chdir('C:\\Users\Полина\PycharmProjects\\newspapers')
p = path.replace('plain', 'mystem-plain')
pp = path.replace('plain', 'mystem-xml')
if not os.path.exists(p):
os.makedirs(p)
if not os.path.exists(pp):
os.makedirs(pp)
f = open(p + '/' + name, 'w')
xname = name.replace('.txt', '.xml')
ff = open(pp + '/' + xname, 'w')
text1 = path.replace('C:\\Users\Полина\PycharmProjects\\newspapers', '.') + '\\' + name
text2 = p.replace('C:\\Users\Полина\PycharmProjects\\newspapers', '.') + '\\' + name
text3 = pp.replace('C:\\Users\Полина\PycharmProjects\\newspapers', '.') + '\\' + xname
os.system(r".\mystem.exe " + "-nid " + text1 + " " + text2) #запись в .txt
os.system(r".\mystem.exe " + "-nid " + text1 + " " + text3) #запись в .xml
f.close()
ff.close()
def obhod():
j = '02102017' #произвольная дата
k = 0
f = open('../metadata.csv', 'w', encoding = 'utf8')
s = 'path\tauthor\tsex\tbirthday\theader\tcreated\tsphere\tgenre_fi\ttype\ttopic\tchronotop\tstyle\taudience_age\taudience_level\taudience_size\tsource\tpublication\tpublisher\tpubl_year\tmedium\tcountry\tregion\tlanguage\n'
i = 56019 #произвольный номер статьи
f.write(s)
if not os.path.exists(j[-4:]):
os.mkdir(j[-4:])
os.chdir(j[-4:])
if not os.path.exists(j[2:4]):
os.mkdir(j[2:4])
os.chdir(j[2:4])
print ('i am at', os.getcwd())
while i != 0:
os.chdir('C:\\Users\Полина\PycharmProjects\\newspapers\\Ugra_news\plain')
if not os.path.exists(j[-4:]):
os.mkdir(j[-4:])
os.chdir(j[-4:])
if not os.path.exists(j[2:4]):
os.mkdir(j[2:4])
os.chdir(j[2:4])
if k == 500: #это счётчик файлов, чтобы не скачивать всю газету целиком, можно убрать
break
pu = Url + j + '/' + str(i)
print ('opened ', pu)
try:
page = urllib.request.urlopen(pu)
text = page.read().decode('utf8')
text1, T1 = read_text(text, pu) #чтение ключевой информации и текста статьи
name = create_text(T1, text1, i) #запись всего этого в файл
dir = os.getcwd() + '\\' + name
dir1 = os.getcwd()
s = create_s(dir, T1) #создание строки .csv таблицы, соответствующей статье
f.write(s)
print('dir is ', dir)
mystem(dir1, name)
i -= 1 #следующая статья (я иду с самой новой к самой старой)
k += 1
time.sleep(2)
except:
j = change_date(j) #смена даты, да
print ('new date: ', j)
i = changing(i, j) #поиск номера статьи, который существует при заданной выше дате
print ('new article: ', i)
f.close()
def main():
os.mkdir('Ugra_news')
os.chdir('Ugra_news')
os.mkdir('plain')
os.chdir('plain')
obhod()
main()