-
Notifications
You must be signed in to change notification settings - Fork 4
/
transparencia_scraper.py
293 lines (252 loc) · 11.6 KB
/
transparencia_scraper.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
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
#!/usr/bin/env python
# coding: utf-8
# Licensed under the MIT license:
# http://www.opensource.org/licenses/mit-license
# Copyright (c) 2017 Rede Globo
__author__ = "Priscilla Lusie"
__version__ = "1.1"
import os
import re
import requests
import signal
import stat
import sys
from urllib.parse import urlparse, parse_qs
from .html_utils import Html_utils
def handler_ctrlz(signum, frame):
print('Operacao interrompida pelo usuario')
sys.exit(0)
signal.signal(signal.SIGTSTP, handler_ctrlz)
class File_utils:
def __init__(self, log):
self.log = log
def download_file_from_url(self, url, params, filename):
"""
Salva o arquivo no local desejado.
Printa o progresso de download do arquivo sendo cada '=' uma representação de 2% do arquivo salvo.
Args:
url (string): portal de download. Ex.: 'http://arquivos.portaldatransparencia.gov.br/downloads.asp'
params (json): parametros a serem passados para a url. Devem ser passados:
** ano desejado com 4 caracteres
** mes desejado com 2 caracteres
** base de dados a ser consultada. Ex: 'c: BolsaFamiliaFolhaPagamento'
filename (string): nome do arquivo a ser salvo
Exception:
Lanca excecao em caso de algum erro
"""
url = url.strip()
# Checa a existencia da pasta de destino do arquivo
folder = os.path.dirname(filename)
if not os.path.exists(folder):
os.makedirs(folder)
os.chmod(folder, stat.S_IRWXU)
# Requisicao para obter o tamanho do arquivo a ser baixado
if self.log:
self.log.debug('URL do arquivo a ser baixado: ' + url)
r = requests.get(url, stream=True, params=params)
if r is None:
raise ValueError('Nenhuma resposta do site {} para o arquivo {}'.format(url, filename))
total_length = r.headers.get('content-length')
if total_length is None:
total_length = 0
total_length = int(total_length)
load = 0
if self.log:
self.log.warning('Downloading {} [{}]:\n\turl {}\n\tparâmetros {}'.format(filename,
self.get_readable_size(int(total_length)),
url,
params))
# Download em si
with open(filename, 'wb') as f:
for chunk in r.iter_content(chunk_size=8192*4):
if not chunk:
log.debug('chunk nulo')
continue
f.write(chunk)
f.flush()
os.fsync(f.fileno())
# printa o status (tamanho) de download realizado
load += len(chunk)
self.check_progress(load, total_length)
# Set the signal handler and a 5-second alarm
signal.signal(signal.SIGALRM, self.handler)
signal.alarm(300)
# Desativa o alarme
signal.alarm(0)
print('\n')
@staticmethod
def get_readable_size(size, precision=2):
"""
Exibe o tamanho do arquivo em Bytes e no formato Kilo, Mega, etc.
Args:
size(int):
precision(int): quantidade de dígitos de precisão depois da vírgula
Returns:
Tamanho do arquivo em float acompanhado dos sufixos B, KB, etc.
"""
if not size or size == 0:
return ''
suffixes=['B','KB','MB','GB','TB']
suffixIndex = 0
while size > 1024 and suffixIndex < 4:
suffixIndex += 1
size = size/1024.0
return "%.*f%s"%(precision,size,suffixes[suffixIndex])
@staticmethod
def check_progress(complete, total):
""" Printa na tela o progresso de uma tarefa em uma escala de 1 a 50 sinais '='.
Portanto, cada sinal '=' printado representa 2% da tarefa executada.
Args:
complete (double): representa o quanto foi feito
total (double): valor total a ser feito
"""
if not total or total == 0:
return
done = int(50 * complete / total)
sys.stdout.write("\r[%s%s]" % ('=' * done, ' ' * (50-done)) )
sys.stdout.flush()
@staticmethod
def handler(signum, frame):
raise IOError('Processo travado {}'.format(signum))
class Transparencia_Scraper(Html_utils, File_utils):
"""
Classe para download dos arquivos relativos as bases disponibilizados pelo Governo Federal
no site transparência.
"""
def __init__(self, log=None):
File_utils.__init__(self, log)
self.url_main = 'http://portaldatransparencia.gov.br/downloads/'
self.url_download = 'http://arquivos.portaldatransparencia.gov.br/downloads.asp'
def __print_error_msg(self, msg):
if self.log:
self.log.error(msg)
else:
print(msg)
def __get_links(self):
links = []
for item in self.scrape_from_tag('class', 'colunas', self.url_main):
links.extend(item.find_all('a'))
return links
def __get_schema_info(self, url, link):
"""
Separa a string que compoe a URL em componentes (parâmetros) importantes
como o parâmentro c que identifica o nome da base.
Algumas URLs não possuem o parâmetro c, sendo necessário fazer uma requisição
ao link da base e buscar o parâmetro consulta no conteúdo retornado ao acessar sua URL.
Args:
url (str): endereço completo da base a ser consultada.
Ex: http://portaldatransparencia.gov.br/downloads/mensal.asp?c=GastosDiretos
Returns:
* O nome da base
* Os parâmetros presentes na URL
* Caso o link da base seja uma URL para uma outra página, retorna o conteúdo desta;
caso seja um link para ZIP, retorna NULO.
"""
url_parsed = urlparse(url)
params = parse_qs(url_parsed.query)
content = None
c = None
if os.path.splitext(url)[1] != '.zip':
content = requests.get(url).text
if 'c' in params:
c = params['c'][0]
elif 'consulta' in params:
c = params['consulta'][0]
elif content: # base não informada na URL
c = re.search('\'&consulta=(.*?)\'', content)
if c is None or c.group(1) is None:
return None, None, content
c = c.group(1)
return c, params, content
def check_downloaded_file(self, filename, params):
""" Recebe o nome da base, nome do arquivo e a partição da base para que seja
conferido se o download do arquivo já foi feito ou não.
Note:
A classe deve ser derivada e o método sobrescrito.
Args:
filename (str): nome do arquivo
params (dict): parâmetros com informação do arquivo
Returns:
True se o arquivo já foi processado anteriormente, caso contrário, False.
"""
from pathlib import Path
if Path(filename).is_file():
return True
return False
def process_file(self, c, params, zip_filename, url_file):
"""
Baixa o arquivo localmente para a pasta cujo nome é o mesmo da base ao qual o
arquivo pertence
Args:
c (str): nome da base
params (dict): Dicionário com os parâmetros necessários para a identificação do arquivo a ser baixado
zip_filename (str): nome final que o arquivo a ser salvo deverá assumir
url_file (str): endereço da url de download dos arquivos
Returns:
True caso o arquivo tenha sido baixado localmente e False caso contrário
"""
if self.check_downloaded_file(zip_filename, params):
return False
self.download_file_from_url(url_file, params, zip_filename)
return True
def __get_file_info(self, c, file_param):
original_c = c
params = {'a': file_param[0], 'consulta': c}
zip_filename = '{}'.format(params['a'])
if file_param[1] != '_F': # month
params['m'] = file_param[1]
zip_filename += '_{}'.format(params['m'])
if file_param[3] != '': # day
params['d'] = file_param[3]
zip_filename += '_{}'.format(params['d'])
if file_param[5] != '': # type
params['d'] = file_param[5]
c += '_'+params['d']
if file_param[7] != '': # origem
params['o'] = file_param[7]
c += '_'+params['o']
zip_filename = '{}/{}.zip'.format(c, zip_filename)
return params, zip_filename
def process_schemas(self, process_copa=False):
"""
A url inicial mostra as bases disponíveis para download.
Cada base possui uma URL que é um link para uma página que possui os arquivos disponíveis e deve ser 'crawleada'
Algumas bases são enviadas através do parâmetro c=NOME_DA_BASE, outras são enviadas como consulta=NOME_DA_BASE
Exs de links:
* snapshot.asp?c=Convenios
* mensal.asp?c=OutrasTransferenciasCidadao
* imoveisFuncionais.asp
* http://arquivos.portaldatransparencia.gov.br/downloads.asp?a=2015&m=04&consulta=Copa
Args:
process_copa (boolean): True caso se deseje que processe os arquivos da Copa.
Default False uma vez que os dados não são atualizados e devem ser processados apenas uma única vez.
"""
for l in self.__get_links():
schema_url = (self.url_main + l['href'])
schema_name, params, content = self.__get_schema_info(schema_url, l['href'])
if not schema_name:
self.__print_error_msg('Base não identificada na URL {}'.format(schema_url))
continue
if not process_copa and schema_name == 'Copa':
continue
if self.log:
self.log.warning('###################################################')
self.log.warning('Processando site {}'.format(schema_name))
else:
print('Processando site {}'.format(schema_name))
if schema_name == 'Copa':
self.process_file(schema_name,
params=None,
zip_filename=schema_name+'/'+schema_name+'.zip',
url_file=l['href'])
else:
scrap_pattern = r'{"ano":"([0-9]{4})","mes":"([0-9]{2}|_F)"(,"dia":"([0-9]*)")?(,"tipo":"?(\w*)")?(,"origem":"?(\w*)")?}'
files_params = self.scrape_from_pattern(content, scrap_pattern)
if self.log:
self.log.warning('Encontrados {} arquivos'.format(len(files_params)))
for f in files_params:
params, zip_filename = self.__get_file_info(schema_name, f)
res = self.process_file(schema_name, params, zip_filename, self.url_download)
folder = os.path.dirname(zip_filename)
if os.path.exists(folder) and not os.listdir(folder):
os.rmdir(folder)