-
Notifications
You must be signed in to change notification settings - Fork 2
/
add_proza_ru.py
262 lines (205 loc) · 10.4 KB
/
add_proza_ru.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
# coding: utf-8
# In[3]:
# Импортируем необходимые библиотеки:
import random
import time
import requests # http-запросы,
import os
import re # регулярные выражения,
from bs4 import BeautifulSoup # удаление тегов html,
from tqdm import tqdm # красотуля для анализа прогресса.
import unify
# In[29]:
genre_dic = {"миниатюры":"Малые формы",\
"новеллы":"Малые формы",\
"рассказы":"Малые формы",\
"репортажи":"Малые формы",\
"повести":"Крупные формы",\
"романы":"Крупные формы",\
"драматургия":"Жанровые произведения",\
"детективы":"Жанровые произведения",\
"приключения":"Жанровые произведения",\
"фантастика":"Жанровые произведения",\
"фэнтези":"Жанровые произведения",\
"ужасы":"Жанровые произведения",\
"киберпанк":"Жанровые произведения",\
"эротическая проза":"Жанровые произведения",\
"юмористическая проза":"Юмор",\
"ироническая проза":"Юмор",\
"фельетоны":"Юмор",\
"анекдоты":"Юмор",\
"байки":"Юмор",\
"история и политика":"Эссе и статьи",\
"литературоведение":"Эссе и статьи",\
"естествознание":"Эссе и статьи",\
"публицистика":"Эссе и статьи",\
"философия":"Эссе и статьи",\
"религия":"Эссе и статьи",\
"мистика":"Эссе и статьи",\
"мемуары":"Эссе и статьи",\
"критические статьи":"Литературная критика",\
"литературные обзоры":"Литературная критика",\
"музыкальные и кинообзоры":"Литературная критика",\
"литература для детей":"Детские разделы",\
"рассказы о детях":"Детские разделы",\
"сказки":"Детские разделы",\
"детское творчество":"Детские разделы",\
"стихи":"Поэзия",\
"стихотворения в прозе":"Поэзия",\
"литературные переводы":"Переводы и проза на других языках",\
"проза на других языках":"Переводы и проза на других языках"}
# In[30]:
rubrics = {"05":"миниатюры",\
"21":"новеллы",\
"02":"рассказы",\
"30":"репортажи",\
"01":"повести",\
"04":"романы",\
"13":"драматургия",\
"07":"детективы",\
"23":"приключения",\
"06":"фантастика",\
"24":"фэнтези",\
"25":"ужасы",\
"26":"киберпанк",\
"03":"эротическая проза",\
"08":"юмористическая проза",\
"16":"ироническая проза",\
"09":"фельетоны",\
"27":"анекдоты",\
"28":"байки",\
"31":"история и политика",\
"10":"литературоведение",\
"32":"естествознание",\
"11":"публицистика",\
"33":"философия",\
"34":"религия",\
"35":"мистика",\
"18":"мемуары",\
"12":"критические статьи",\
"41":"литературные обзоры",\
"42":"музыкальные и кинообзоры",\
"17":"литература для детей",\
"51":"рассказы о детях",\
"52":"сказки",\
"50":"детское творчество",\
"39":"стихи",\
"43":"стихотворения в прозе",\
"15":"литературные переводы",\
"44":"проза на других языках"}
# In[31]:
#задаем хэдеры - они понадобятся еще много раз
user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_2) AppleWebKit/600.3.18 (KHTML, like Gecko) Version/8.0.3 Safari/600.3.18'
headers = { 'User-Agent' : user_agent }
# In[32]:
def ensure_dir(directory):
if not os.path.exists(directory):
os.makedirs(directory, mode=0o777, exist_ok=False)
return directory
# In[25]:
def make_daily_link(year, month, day, topic='all'):
return 'http://www.proza.ru/poems/list.html?day='+str(day)+'&month='+str(month)+'&year='+str(year)+'&topic='+str(topic)
# In[33]:
def get_number_poems(link):
r = requests.get(link, headers=headers)
num = int(re.split(' по', re.split('<p>Произведения в обратном порядке с ', r.text)[1])[0])
return num
# In[74]:
def get_poem_links(link):
#ссылка на текст, заголовок, имя автора, ссылка на автора, дата и время
r = requests.get(link, headers=headers)
allinks = re.split('"textlink nounline', re.split('опубликовать произведение', r.text)[1])[0].split('</ul>')
textinfo = []
for part in allinks:
if 'Авторские анонсы' not in part:
for l in part.split('\n'):
if "poemlink" in l:
poemlink = 'http://www.proza.ru'+re.split('" ', re.split('<li><a href="', l)[1])[0]
title = re.split('</a>', re.split('class="poemlink">', l)[1])[0]
author = re.split('</a>', re.split('class="authorlink">', l)[1])[0]
authorlink = 'http://www.proza.ru/avtor/'+re.split('" class="authorlink', re.split('href="/avtor/', l)[1])[0]
datetime = re.split('</small></li>', re.split('<small>- ', l)[1])[0]
date = datetime.split()[0]
time = datetime.split()[1]
textinfo.append([poemlink, title, author, authorlink,date,time])
return textinfo
# In[76]:
def get_poem_links_by_date(daily_link):
r = requests.get(daily_link, headers=headers)
text_info = []
lines = r.text.split('\n')
starts = ['http://www.proza.ru'+re.split('">', re.split('<a href="', l)[1])[0] for l in lines if daily_link.strip('http://www.proza.ru')+'&start=' in l]
text_info = get_poem_links(daily_link)
for i in starts:
text_info += get_poem_links(i)
return text_info
# In[6]:
def make_poem_link(year, month, day, textid):
if year<2008 and int(month) < 10:
try:
textlink = 'http://www.proza.ru/'+str(year) + '/' + str(month) + '/' + str(day) +'-' + str(textid)
except:
textlink = 'http://www.proza.ru/'+str(year) + '/' + str(month) + '/' + str(day) +'/' + str(textid)
else:
textlink = 'http://www.proza.ru/'+str(year) + '/' + str(month) + '/' + str(day) +'/' + str(textid)
return textlink
# In[8]:
# Функия принимает адрес статьи на nplus1.ru и возвращает текст статьи и метаинформацию по ней.
def getTextStihi(textlink):
r = requests.get(textlink,headers=headers)
text = re.split("</div>", re.split('<div class="text">', r.text)[1])[0]
# "Откусываем" оставшиеся теги.
beaux_text=BeautifulSoup(text, "lxml")
n_text = beaux_text.get_text()
n_text = re.sub('\xa0', '', n_text)
n_text = unify.unify_sym(n_text)
return(n_text)
# In[77]:
#Теперь список авторов нам нужно превратить с список данных автора и ссылки на его тексты:
def getAuthorInfo(authorlink):
r = requests.get(authorlink, headers=headers)
try:
author_items = re.split("</b>", re.split("Произведений: <b>", r.text)[1])[0]
author_readeres = re.split("</b>", re.split("Читателей</a>: <b>", r.text)[1])[0]
return author_items, author_readeres
except:
return '', ''
# In[12]:
WDIR = ensure_dir(r'/home/tsha/proza_ru/texts')
# In[ ]:
for year in range(2005,2008)[::-1]:
metatable_texts = open(ensure_dir(r'/home/tsha/proza_ru/meta/'+str(year))+'/metatable_texts.txt', 'a', encoding='utf8')
metatable_texts.write('textid\tURL\ttitle\tauthor\tauthorlink\tdate\ttime\tpath\tauthor_readers\tauthor_texts\ttopic\tgenre\n')
#textid, poemlink, title, author, authorlink,date,time, path, author_readers,author_poems,topic,genre
for month in range(1,13)[::-1]:
if month < 10:
month = "0" + str(month)
path = ensure_dir(WDIR + "/"+str(year)+"/"+str(month))
for day in range(1, 32)[::-1]:
if day < 10:
day = "0" + str(day)
if year==2007 and int(month)==12 and int(day)>=3 :
pass
else:
for topic in rubrics:
print(year, month, day,rubrics[topic] )
link = make_daily_link(year, month, day, topic)
text_info = get_poem_links_by_date(link)
#вот здесь по-другому
for i in tqdm(range(len(text_info))):
textid = str(year)+str(month)+str(day)+str(i)+str(topic)
textlink = text_info[i][0]
try:
text = getTextStihi(textlink)
textfile = open(os.path.join(path, textid+'.txt'), 'w', encoding='utf8')
textfile.write(text)
textfile.close()
author_poems, author_readers = getAuthorInfo(text_info[i][3])
genre = genre_dic[rubrics[topic]]
textfeats = [textid]+text_info[i] + [os.path.join(path, textid+'.txt'),author_poems, author_readers, topic, genre]
metatable_texts.write("\t".join(textfeats)+'\n')
except:
continue
print(textlink)
metatable_texts.close()