bot-working

This commit is contained in:
Jakub Adamski 2022-03-28 21:06:41 +02:00
parent e8a02c5f07
commit b56459626d

View File

@ -12,12 +12,14 @@ import Text.Regex.Posix
import Text.Printf import Text.Printf
extractRecords = extractLinksWithText "//a" -- pary adres-tytuł extractRecords = extractLinksWithText "//div[@class='artifact-title']/a" -- pary adres-tytuł
-- >>> second (arr $ replace "\r\n " " ") -- czyścimy drugi element pary, czyli tytuł z niepotrzebnych białych znaków -- >>> second (arr $ replace "\r\n " " ") -- czyścimy drugi element pary, czyli tytuł z niepotrzebnych białych znaków
-- >>> first (arr ((++"tr") . init)) -- modyfikujemy pierwszy element pary, czyli adres URL -- >>> first (arr ((++"tr") . init)) -- modyfikujemy pierwszy element pary, czyli adres URL
-- >>> first (extractLinksWithText "//li/a[contains(@href,'.pdf')]") -- pobieramy stronę z adresu URL i wyciągamy linki z tej strony pasujące do wyrażenia XPathowego -- >>> first (extractLinksWithText "//li/a[contains(@href,'.pdf')]") -- pobieramy stronę z adresu URL i wyciągamy linki z tej strony pasujące do wyrażenia XPathowego
-- ostatecznie wyjdą trójki ((adres URL, tytuł artykułu), tytuł rocznika) -- ostatecznie wyjdą trójki ((adres URL, tytuł artykułu), tytuł rocznika)
extractPages = extractLinksWithText "//div[@class='pagination-masked clearfix top']//a[@class='next-page-link']"
-- ... a tutaj te trójki przerabiamy do docelowej struktury ShadowItem -- ... a tutaj te trójki przerabiamy do docelowej struktury ShadowItem
toShadowItem :: ((String, String), String) -> ShadowItem toShadowItem :: ((String, String), String) -> ShadowItem
toShadowItem ((url, articleTitle), yearlyTitle) = toShadowItem ((url, articleTitle), yearlyTitle) =
@ -35,12 +37,66 @@ getDate url =
Just [[_, year]] -> year Just [[_, year]] -> year
otherwise -> error $ "unexpected url: " ++ url otherwise -> error $ "unexpected url: " ++ url
runExtractor url = runX $ (arr (const url) >>> setTraceLevel 1 >>> extractPages)
runDocumentsExtractor url = runX $ (arr (const url) >>> setTraceLevel 1 >>> extractRecords)
runExtractorMultiple (url, title) = runExtractor url
mapToUrl :: ([Char], [Char]) -> [Char]
mapToUrl (url, title) = url
merge [] ys = ys
merge (x:xs) ys = x:merge ys xs
addDimension array = [array]
withEmptyCheck current [] = do
publications <- runDocumentsExtractor current
let publicationUrls = map mapToUrl publications
return publicationUrls
withEmptyCheck current nextUrls = do
let single = head nextUrls
publications <- runDocumentsExtractor current
let publicationUrls = map mapToUrl publications
--print publicationUrls
--TODO how to combine publications?
--let mapped = map addDimension publications
--print mapped
--print current
recursive <- getAllPages single
--print recursive
let results = merge publicationUrls recursive
--print results
return results
getAllPages url = do
items <- runExtractor url
let urls = map mapToUrl items
results <- (withEmptyCheck url urls)
return results
main = do main = do
let start = "https://pbsociety.org.pl/repository/" let start = "https://pbsociety.org.pl/repository/discover?filtertype=has_content_in_original_bundle&filter_relational_operator=equals&filter=true"
let shadowLibrary = ShadowLibrary {logoUrl=Nothing, let shadowLibrary = ShadowLibrary {logoUrl=Nothing,
lname="Polskie Towarzystwo Botaniczne", lname="Polskie Towarzystwo Botaniczne",
abbrev="PBSociety", abbrev="PBSociety",
lLevel=0, lLevel=0,
webpage=start} webpage=start}
extractItemsStartingFromUrl shadowLibrary start extractRecords
--items <- runExtractor start
--let items2 = map mapToUrl items
--items3 <- mapM runExtractor items2
--let items3 = map runExtractor items2
--extractItemsStartingFromUrl shadowLibrary start extractRecords2
--map putStrLn items3
--mapM_ (putStrLn . show) items
--putStrLn items3
results <- getAllPages start
print results
--print items