twilight-library/app/best_robot.hs

59 lines
2.1 KiB
Haskell
Raw Normal View History

2022-04-14 16:10:57 +02:00
{-# 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='title']" -- pary adres-tytuł
>>> second (arr $ replace "\r\n " "")-- czyścimy drugi element pary, czyli tytuł z niepotrzebnych białych znaków
>>> first (extractLinksWithText "//a[@class='obj_galley_link 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)
toShadowItem :: ((String, String), String) -> ShadowItem
toShadowItem ((url, articleTitle), yearlyTitle) =
(defaultShadowItem url title) {
originalDate = Just yearlyTitle,
itype = "periodical",
format = Just "pdf",
finalUrl = url
}
where title = yearlyTitle ++ " " ++ (replace "\r\n" "" (replace "\r\n " "" articleTitle))
date = getDate url
getDate url =
case url =~~ "/([0-9]+)/" :: Maybe [[String]] of
Just [[_, year]] -> year
otherwise -> error $ "unexpected url: " ++ url
main = do
let start = "https://etyka.uw.edu.pl/index.php/etyka/issue/archive"
let start2 = "https://etyka.uw.edu.pl/index.php/etyka/issue/archive/2"
let start3 = "https://etyka.uw.edu.pl/index.php/etyka/issue/archive/3"
let shadowLibrary = ShadowLibrary {logoUrl=Nothing,
lname="Tom",
abbrev="AlmMusz",
lLevel=0,
webpage=start}
extractItemsStartingFromUrl shadowLibrary start (extractRecords >>> arr toShadowItem)
extractItemsStartingFromUrl shadowLibrary start2 (extractRecords >>> arr toShadowItem)
extractItemsStartingFromUrl shadowLibrary start3 (extractRecords >>> arr toShadowItem)