-
Notifications
You must be signed in to change notification settings - Fork 0
/
scraping.py
146 lines (122 loc) · 5.47 KB
/
scraping.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
# -*- coding: utf-8 -*-
import time
import urllib
import re
import operator
import json
import itertools
import progressbar
from joblib import Parallel, delayed
import multiprocessing
meses = zip(["janeiro","fevereiro","março","abril","maio","junho","julho","agosto","setembro","outubro","novembro","dezembro"],range(1,13))
def chunkify(a, n):
k, m = divmod(len(a), n)
return (a[i * k + min(i, m):(i + 1) * k + min(i + 1, m)] for i in xrange(n))
def CleanHTML(text):
cleanr = re.compile('<.*?>')
cleantext = re.sub(cleanr, '', text)
regex = re.compile(r'[\n\r\t]')
regex.sub(' ', cleantext)
return cleantext
def is_float(value):
try:
float(value)
return True
except:
return False
def _getIDs (page):
url = "http://www.portaltransparencia.gov.br/servidores/OrgaoLotacao-ListaServidores.asp?CodOrg=26235&Pagina="+str(page)
f = urllib.urlopen(url).read().decode("ISO-8859-1")
raw = [y[y.index("IdServidor=")+len("IdServidor="):y.index("&")].decode("latin-1") for y in [x for x in f[f.find("<td class=\"firstChild\">"):f.find("<noscript> </noscript>")].split("\n") if "IdServidor=" in x]]
return raw
def getDados (dados):
dados = [x.rstrip() for x in CleanHTML(dados[dados.index("<tr class=\""):dados.index("<div id=\"saibamais\">")]).replace(" ","").split(" ")]
dados = filter(None, dados)
dados = filter(None, dados)
dados = [elem.replace(".","").replace(",",".").replace("\n","").replace("\r","").replace("\t","").rstrip() for elem in dados]
s = {}
dictAtual = None
for i in range(0,len(dados)):
if ":" in dados[i]:
dictAtual = dados[i].split(":")[0].strip()
s[dictAtual] = dados[i].split(":")[1].strip()
if i>0:
if not is_float(dados[i]) and not is_float(dados[i-1]):
dictAtual = dados[i-1]
s[dictAtual] = {}
elif is_float(dados[i]) and not is_float(dados[i-1]):
s[dictAtual][dados[i-1]] = dados[i]
dados = s
return dados
def getSalario (url):
f = urllib.urlopen(url).read().decode("ISO-8859-1")
periodos = [x.strip() for x in CleanHTML(f[f.index("<div id=\"navegacaomeses\">"):f.index("<div id=\"listagemConvenios\">")]).split("\n") if "|" not in x]
periodos = filter(None, periodos)
periodos = [tuple(x.lower().split("/")) for x in periodos]
urls = []
for i in range(0,len(periodos)):
periodos[i] = (str((meses[[x[0].decode('utf-8') for x in meses].index(periodos[i][0].decode('utf-8'))][1])),periodos[i][1])
urls.append(url+"&Ano="+periodos[i][1]+"&Mes="+periodos[i][0])
s = {}
for elemento in zip(urls,periodos):
paginaPeriodo = urllib.urlopen(elemento[0]).read().decode("ISO-8859-1")
s["_".join(list(elemento[1]))] = getDados(paginaPeriodo)
return s
def _getByID (id):
url = "http://www.portaltransparencia.gov.br/servidores/OrgaoLotacao-DetalhaServidor.asp?IdServidor="+str(id)+"&CodOrgao=26235"
f = urllib.urlopen(url).read().decode("ISO-8859-1")
aux = f
if "InformacaoFinanceira=True" not in aux:
salario = None
else:
urlSalario = "http://www.portaltransparencia.gov.br" + aux[aux.index("/servidores/Servidor-DetalhaRemuneracao.asp?"):aux.index("InformacaoFinanceira=True\"")+len("InformacaoFinanceira=True")]
salario = getSalario(urlSalario)
fs = f[f.index("<!-- cabecalho da tabela -->"):f.index("<div id=\"saibamais\">")].split("<!-- cabecalho da tabela -->")[1:]
ss = []
for f in fs:
f = f.split("\n")
f = [CleanHTML(f[i]).strip().replace(":","")+":"+CleanHTML(f[i+1]).strip() for i in range(0,len(f)) if "tituloDetalhe" in f[i]]
s = {}
dictAtual = None
for i in range(0,len(f)):
if " " not in f[i]:
dictAtual = f[i].split(":")[0]
s[dictAtual] = [f[i].split(":")[1],{}]
if " " in f[i]:
s[dictAtual][1][f[i].split(":")[0]] = " ".join(f[i].split(":")[1:]).replace(" ","")
ss.append(s)
ss = zip([(x[0]+" "+str(x[1])) for x in list(itertools.product(["Cargo"],range(0,10)))],ss)
ss = dict(ss)
aux = CleanHTML(aux[aux.index("<table summary=\"Identifica"):aux.index("\"listagemConvenios\"")]).replace("\r","").replace("\t","").rstrip().split("\n")
aux = filter(None, [x.strip() for x in aux])[3:-1]
aux = dict(zip(aux[::2], aux[1::2]))
ss['dados_gerais'] = aux
return {"ID":id,"Info":{'dados_funcionais':ss,'financeiro':salario}}
def getQtdePaginas ():
url = "http://www.portaltransparencia.gov.br/servidores/OrgaoLotacao-ListaServidores.asp?CodOrg=26235&Pagina=1"
f = int([CleanHTML(x).split("/")[1].rstrip() for x in urllib.urlopen(url).read().decode("ISO-8859-1").split("\n") if "<p class=\"paginaAtual\">" in x][0])
return f
def main():
#s = _getByID(1187673)
#with open('saida.json', 'w') as outfile:
#json.dump(s, outfile)
num_cores = 8#multiprocessing.cpu_count()
nPaginas = getQtdePaginas()
cont = 54
nPedacos = 62
t_0 = time.time()
for k in chunkify(range(54,nPaginas),nPedacos):#a cada k paginas, grave em arquivo, cada pagina tem 15 entradas
start_time = time.time()
print("[MSG] Processando parte " + str(cont) + " de " + str(nPedacos) + " -> [" + str(k[0]) + "," + str(k[len(k)-1]) + "]")
s = []
s = Parallel(n_jobs=num_cores,verbose=5)(delayed(_getByID)(elemento) for elemento in reduce(operator.concat, [_getIDs(i+1) for i in range(k[0],k[len(k)-1])]))
print("[MSG] Realizando gravação")
for pessoa in s:
with open(pessoa["ID"]+'.json', 'w') as outfile:
json.dump(pessoa, outfile)
elapsed_time = time.time() - start_time
print("[MSG] Parte " + str(cont) + " de " + str(nPedacos) + " processada -> Tempo gasto = " + str(elapsed_time) + " s")
print("[MSG] Tempo gasto total = " + str(time.time()-t_0))
cont += 1
if __name__ == '__main__':
main()