-
Notifications
You must be signed in to change notification settings - Fork 0
/
app.py
330 lines (260 loc) · 13.2 KB
/
app.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
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
# coding=utf-8
import datetime
from flask import Flask, render_template, request
import requests
from bs4 import BeautifulSoup
import json
import re
import pdfplumber
app = Flask(__name__, static_folder='static', template_folder='templates')
def fix_html_encoding(html_content):
# Substitui a representação Unicode \u00e0 pelo caractere "à" no HTML
html_content = html_content.replace(r'\u00e0', 'à')
html_content = html_content.replace(r"%C3%A0", 'à')
return html_content
def extract_links_by_week(html_content):
# Dicionário para armazenar os links por semana
links_by_week = {}
# Corrigir a codificação do HTML antes de passá-lo para o BeautifulSoup
corrected_html = fix_html_encoding(html_content)
# Criar o objeto BeautifulSoup com o HTML corrigido
soup = BeautifulSoup(corrected_html, 'html.parser')
# Encontrar o elemento com a classe 'content clearfix'
content_element = soup.find(class_='content clearfix')
if content_element:
# Encontrar todos os elementos <li> dentro do elemento com a classe 'content clearfix'
li_elements = content_element.find_all('li')
for li_element in li_elements:
# Extrair o intervalo de datas usando regex
match = re.match(r'(\d{2})(?:\.(\w{3}))? a (\d{2})\.(\w{3})', li_element.get_text())
meses = {}
for i, mes in enumerate(["jan", "fev", "mar", "abr", "mai", "jun", "jul", "ago", "set", "out", "nov", "dez"], start=1):
meses[mes[:3]] = str(i).zfill(2)
if match:
inicio_dia, inicio_mes, fim_dia, fim_mes = match.groups()
# inicio_mes se tiver vai ser o w{3}, se não vai ser igual ao fim_mes
if not inicio_mes:
inicio_mes = fim_mes
# Encontrar o elemento <a> dentro do elemento <li>
link_element = li_element.find('a')
if link_element:
# Corrigir a codificação do link usando a biblioteca html
link = link_element['href']
# Extrair o ano do link
match_ano = re.search(r'/(\d{4})/', link)
ano = int(match_ano.group(1)) if match_ano else datetime.datetime.now().year
data = "{}{}{}{}{}{}".format(inicio_dia, meses[inicio_mes.lower()], ano, fim_dia, meses[fim_mes.lower()], ano)
print(data)
# Adicionar o link ao dicionário usando a chave "data"
links_by_week[data] = link
return links_by_week
@app.route('/')
def index():
"""
Renders the main page with a button for the user to click.
"""
return render_template('index.html')
@app.route('/download', methods=['POST'])
def download_pdf(url, destination):
response = requests.get(url, verify=False)
with open(destination, 'wb') as pdf_file:
pdf_file.write(response.content)
@app.route('/extract', methods=['POST'])
def extract_text_from_pdf(pdf_path, page_number=0):
# Abrir o arquivo PDF usando pdfplumber
with pdfplumber.open(pdf_path) as pdf:
# Verificar se o número da página fornecido é válido
if 0 <= page_number < len(pdf.pages):
page = pdf.pages[page_number]
text = page.extract_text()
# Aplicar substituições de texto necessárias
text = re.sub(r'(\b\w+?-FEIRA\b)', r'\n\n\1', text)
text = re.sub(r'(\bSÁBADO\b)', r'\n\n\1-FEIRA', text)
text = re.sub(r'(\bDOMINGO\b)', r'\n\n\1-FEIRA', text)
text = re.sub(r'^.*SEGUNDA-FEIRA', r'SEGUNDA-FEIRA', text, flags=re.DOTALL)
else:
text = ''
return text
@app.route('/process', methods=['POST'])
def process():
"""
Performs a web scraping action when the user clicks the button.
"""
try:
# Web scraping logic
website_url = 'https://ru.ufsc.br/ru/'
response = requests.get(website_url)
html_content = response.text
# Extract links by week
links_by_week = extract_links_by_week(html_content)
# Create a JSON object with the extracted links
cardapios_salvos = json.dumps(links_by_week, ensure_ascii=False, indent=2)
with open('cardapios_salvos.json', 'w') as json_file:
json_file.write(cardapios_salvos)
return render_template('index.html', result="Action successful! Extracted links:\n{}".format(cardapios_salvos))
except Exception as e:
# Return an error message in case of an error
return render_template('index.html', result="An error occurred: {}".format(e))
def extrair_dados_do_PDF(pdf_content):
menu_info = []
# Padrões de expressões regulares para extrair informações específicas
dia_semana_pattern = re.compile(r'(\w+)\-FEIRA', re.IGNORECASE)
data_pattern = re.compile(r'(\d{2}/\d{2}/\d{4})', re.IGNORECASE)
carne_pattern = re.compile(r'CARNE:\s*(.+)', re.IGNORECASE)
carne_jantar_pattern = re.compile(r'CARNE JANTAR:\s*(.+)', re.IGNORECASE)
complemento_pattern = re.compile(r'COMPLEMENTO:\s*(.+)', re.IGNORECASE)
complemento_almoco_pattern = re.compile(r'COMPLEMENTO ALMOÇO:\s*(.+)', re.IGNORECASE)
complemento_jantar_pattern = re.compile(r'COMPLEMENTO JANTAR:\s*(.+)', re.IGNORECASE)
salada1_pattern = re.compile(r'SALADA 1:\s*(.+)', re.IGNORECASE)
salada2_pattern = re.compile(r'SALADA 2:\s*(.+)', re.IGNORECASE)
molho_salada_pattern = re.compile(r'MOLHO SALADA:\s*(.+)', re.IGNORECASE)
sobremesa_pattern = re.compile(r'SOBREMESA:\s*(.+?)(?=\s*MOLHO)', re.IGNORECASE)
arroz_feijao_pattern = re.compile(r'ARROZ\s+(BRANCO\s*(?:\/\s*INTEGRAL)?)\s*\/?\s*FEIJÃO\s+(PRETO|CARIOCA|COM\s+VEGETAIS)?', re.IGNORECASE)
# Dividir o texto em dias
dias = pdf_content.split('\n\n')
# Extrair informações para cada dia
for dia in dias:
menu_info_dia = {}
# Encontrar correspondências para cada padrão
dia_semana_match = dia_semana_pattern.search(dia)
data_match = data_pattern.search(dia)
carne_match = carne_pattern.search(dia)
carne_jantar_match = carne_jantar_pattern.search(dia)
complemento_match = complemento_pattern.search(dia)
complemento_almoco_match = complemento_almoco_pattern.search(dia)
complemento_jantar_match = complemento_jantar_pattern.search(dia)
salada1_match = salada1_pattern.search(dia)
salada2_match = salada2_pattern.search(dia)
molho_salada_match = molho_salada_pattern.search(dia)
sobremesa_match = sobremesa_pattern.search(dia)
arroz_feijao_match = arroz_feijao_pattern.search(dia)
# Função para remover texto após dois espaços consecutivos
def remove_text_after_consecutive_spaces(match):
if match:
text = match.group(1)
index_of_consecutive_spaces = text.find(" ")
if index_of_consecutive_spaces != -1:
text = text[:index_of_consecutive_spaces]
return text.strip()
return None
# Extrair dados correspondentes
menu_info_dia["Dia da semana"] = dia_semana_match.group(1).capitalize() if dia_semana_match else None
menu_info_dia["Data"] = data_match.group(1) if data_match else None
menu_info_dia["Carne"] = remove_text_after_consecutive_spaces(carne_match)
if not menu_info_dia["Carne"]:
menu_info_dia["Carne"] = None
menu_info_dia["Carne jantar"] = remove_text_after_consecutive_spaces(carne_jantar_match)
if not menu_info_dia["Carne jantar"]:
# Se não houver complemento jantar, copie o complemento do almoço
menu_info_dia["Carne jantar"] = menu_info_dia["Carne"]
menu_info_dia["Complemento"] = remove_text_after_consecutive_spaces(complemento_match)
if not menu_info_dia["Complemento"]:
# Se não houver complemento, verifique os específicos de almoço e jantar
menu_info_dia["Complemento"] = remove_text_after_consecutive_spaces(complemento_almoco_match)
if not menu_info_dia["Complemento"]:
menu_info_dia["Complemento"] = remove_text_after_consecutive_spaces(complemento_jantar_match)
# Se não houver complemento jantar, copie o complemento do almoço
if not menu_info_dia["Complemento"]:
menu_info_dia["Complemento jantar"] = menu_info_dia["Complemento"]
menu_info_dia["Complemento jantar"] = remove_text_after_consecutive_spaces(complemento_jantar_match)
if not menu_info_dia["Complemento jantar"]:
# Se não houver complemento jantar, copie o complemento do almoço
menu_info_dia["Complemento jantar"] = menu_info_dia["Complemento"]
menu_info_dia["Salada 1"] = remove_text_after_consecutive_spaces(salada1_match)
if not menu_info_dia["Salada 1"]:
menu_info_dia["Salada 1"] = None
menu_info_dia["Salada 2"] = remove_text_after_consecutive_spaces(salada2_match)
if not menu_info_dia["Salada 2"]:
menu_info_dia["Salada 2"] = None
menu_info_dia["Molho salada"] = remove_text_after_consecutive_spaces(molho_salada_match)
if not menu_info_dia["Molho salada"]:
menu_info_dia["Molho salada"] = None
menu_info_dia["Sobremesa"] = remove_text_after_consecutive_spaces(sobremesa_match)
if not menu_info_dia["Sobremesa"]:
menu_info_dia["Sobremesa"] = None
arroz_feijao_match = arroz_feijao_pattern.search(dia)
if arroz_feijao_match:
menu_info_dia["Carboidrato"] = 'Arroz ' + arroz_feijao_match.group(1).capitalize()
menu_info_dia["Grao"] = 'Feijão ' + arroz_feijao_match.group(2).capitalize() if arroz_feijao_match.group(2) else " Feijao Preto"
else:
menu_info_dia["Carboidrato"] = None
menu_info_dia["Grao"] = None
menu_info.append(menu_info_dia)
print(menu_info_dia)
return menu_info
def get_user_date():
# Extrair a data escolhida pelo usuário
user_date_str = request.form.get('dataEscolhida')
return user_date_str
def load_cardapio_atual():
# Salva em cardapio_atual o dicionario com as datas e links
with open('cardapios_salvos.json', 'r') as json_file:
cardapio_atual = json.load(json_file)
return cardapio_atual
def find_link_in_interval(cardapio_atual, user_date_str):
# Dividir a data usando os caracteres de hífen
ano, mes, dia = user_date_str.split('-')
# Converter as strings para inteiros
ano = int(ano)
mes = int(mes)
dia = int(dia)
# Encontrar o link correspondente na estrutura JSON
link_key = None
for key in cardapio_atual.keys():
dia_de_inicio_do_intervalo = int(key[0:2])
mes_de_inicio_do_intervalo = int(key[2:4])
ano_de_inicio_do_intervalo = int(key[4:8])
dia_de_fim_do_intervalo = int(key[8:10])
mes_de_fim_do_intervalo = int(key[10:12])
ano_de_fim_do_intervalo = int(key[12:16])
# Verificar se a data escolhida pelo usuário está dentro do intervalo
# sem usar a biblioteca datetime
if ano_de_inicio_do_intervalo <= ano <= ano_de_fim_do_intervalo:
if mes_de_inicio_do_intervalo != mes_de_fim_do_intervalo:
if mes_de_inicio_do_intervalo == mes:
if dia_de_inicio_do_intervalo <= dia:
link_key = key
link = cardapio_atual[link_key]
break
elif mes_de_fim_do_intervalo == mes:
if dia <= dia_de_fim_do_intervalo:
link_key = key
link = cardapio_atual[link_key]
break
else:
if mes_de_inicio_do_intervalo == mes:
if dia_de_inicio_do_intervalo <= dia <= dia_de_fim_do_intervalo:
link_key = key
link = cardapio_atual[link_key]
break
else:
continue
return link
def download_and_extract_pdf(link):
destino_do_pdf = 'pdf/cardapio.pdf'
download_pdf(link, destino_do_pdf)
pdf_content = extract_text_from_pdf(destino_do_pdf)
menu_info = extrair_dados_do_PDF(pdf_content)
return menu_info
def save_menu_info_to_file(menu_info):
with open('static/cardapio.txt', 'w', encoding='utf-8') as txt_file:
for menu in menu_info:
for key, value in menu.items():
txt_file.write('{}: {}\n'.format(key, value))
txt_file.write('\n')
@app.route('/getCardapio', methods=['POST'])
def getCardapio():
user_date_str = get_user_date()
cardapio_atual = load_cardapio_atual()
if not user_date_str:
recent_data = list(cardapio_atual.keys())[0] if cardapio_atual else None
if cardapio_atual:
user_date_str = list(cardapio_atual.keys())[0]
else:
return render_template('index.html', result="Nenhuma data disponível no cardápio.")
link = find_link_in_interval(cardapio_atual, user_date_str)
menu_info = download_and_extract_pdf(link)
save_menu_info_to_file(menu_info)
return render_template('index.html', result="Ação bem-sucedida! Texto extraído:\n{}".format(menu_info))
if __name__ == '__main__':
app.run(debug=True)