twilight-library/app/elektronikapraktyczna.hs

{-# LANGUAGE Arrows, NoMonomorphismRestriction #-}
import ShadowLibrary.Core

import Text.XML.HXT.Core
import Text.XML.HXT.XPath
-- import Text.XML.HXT.Curl
import Data.List
import Data.List.Utils (replace)

import Text.Regex.Posix
import Text.Printf


extractRecords = extractLinksWithText "(//a[@class='magazine-list__year-item'])[last()]"  -- pary adres-tytuł
                 >>> second (arr $ replace "\r\n                        " "") -- czyścimy drugi element pary, czyli tytuł z niepotrzebnych białych znaków
                 >>> second (arr $ replace "    " "") -- czyścimy drugi element pary, czyli tytuł z niepotrzebnych białych znaków
--                 >>> first (arr ((++"tr") . init))  -- modyfikujemy pierwszy element pary, czyli adres URL
                 >>> first (extractLinksWithText "//div[@class='magazine-list__item']/a") -- pobieramy stronę z adresu URL i wyciągamy linki z tej strony pasujące do wyrażenia XPathowego
                 >>> first (second (arr $ replace "\r\n                                " ""))
                 >>> first (first (
                                    extractLinksWithText "//div[@class='files__item']/a[contains(@href,'.pdf')]" 
                                    >>> second (arr $ replace "\r\n                                                                " "")
                                    >>> first (arr $ replace "//" "/")
                                  )
                            ) -- pobieramy stronę z adresu URL i wyciągamy linki z tej strony pasujące do wyrażenia XPathowego
                 -- ostatecznie wyjdą trójki ((adres URL, tytuł artykułu), tytuł rocznika)

-- ... a tutaj te trójki przerabiamy do docelowej struktury ShadowItem
toShadowItem :: (((String, String), String), String) -> ShadowItem
toShadowItem (((url, chapterTitle), articleTitle), yearlyTitle) =
  (defaultShadowItem url title) {
    originalDate = Just date,
    itype = "periodical",
    format = Just "pdf",
    finalUrl = url
    }
  where title = "Elektronika Praktyczna " ++ yearlyTitle ++ " " ++ articleTitle
        date = yearlyTitle

getDate yearlyTitle =
  case yearlyTitle =~~ "/(19[0-9][0-9]|20[0-9][0-9])/" :: Maybe [[String]] of
    Just [[_, year]] -> year
    otherwise -> error $ "unexpected yearlyTitle: " ++ yearlyTitle


main = do
    let start = "https://ep.com.pl/archiwum/"
    let shadowLibrary = ShadowLibrary {logoUrl=Nothing,
                                       lname="Elektronika praktyczna",
                                       abbrev="EP",
                                       lLevel=0,
                                       webpage=start}
    extractItemsStartingFromUrl shadowLibrary start (extractRecords  >>> arr toShadowItem)