twilight-library/app/best_robot.hs

62 lines
2.2 KiB
Haskell

{-# 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 "\n\t\t\t\t\t" "")-- 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)
-- ... a tutaj te trójki przerabiamy do docelowej struktury ShadowItem
toShadowItem :: ((String, String), String) -> ShadowItem
toShadowItem ((url, articleTitle), yearlyTitle) =
(defaultShadowItem url title) {
originalDate = Just date,
itype = "periodical",
format = Just "pdf",
finalUrl = url
}
where title = replace "\n\t\t\t" "" yearlyTitle ++ " " ++ (replace "\n\n\t" "" (replace "\n\n\t\t\n\t" " " articleTitle))
date = getDate 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://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)