/
collect.py
255 lines (199 loc) · 6.64 KB
/
collect.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
# USAGE
# python collect.py --start 201901 --end 201902
from urllib.request import urlopen
from bs4 import BeautifulSoup
from tqdm import tqdm
import os
import time
import re
import requests
import argparse
import pandas as pd
ROOT_DIR = os.path.abspath(os.path.dirname(__file__))
DATASET_DIR = ROOT_DIR + '/dataset/'
API_URL = 'https://connpass.com/api/v1/event/'
SLEEPING_SECONDS = 5
# 出力フォーマットの定義
df_columns = ['event_id', 'title', 'catch', 'event_url', 'hash_tag', 'limit',
'address', 'place', 'lat', 'lon', 'accepted', 'waiting',
'started_at', 'ended_at', 'canceled', 'lottery', 'firstcome',
'free', 'prepaid', 'postpaid', 'amount']
def main():
# コマンドライン引数
psr = argparse.ArgumentParser()
psr.add_argument('-s', '--start', default=201901, type=int)
psr.add_argument('-e', '--end', default=201905, type=int)
args = psr.parse_args()
# > python aaa.py -s 201111 -e 201905
# 指定した期間のイベントデータを取得
df_dataset = get_connpass_dataset(args.start, args.end)
# csvとして保存
df_dataset.to_csv(DATASET_DIR + 'dataset.csv')
def get_connpass_dataset(start_ym: int, end_ym: int) -> pd.DataFrame:
"""connpassイベント情報を指定した期間分取得する。
Parameters
----------
start_ym : int
イベントの取得範囲(開始年月)。
end_ym : int
イベントの取得範囲(終了年月)。
Returns
-------
df : DataFrame
イベント情報。
"""
df = pd.DataFrame(columns=df_columns)
# 年月単位で処理
for ym in tqdm(get_month_list(start_ym, end_ym)):
# イベント情報を取得して連結
df_ym = get_event_data_ym(ym)
df = pd.concat([df, df_ym])
return df
def get_event_info(ym: int, start: int = 1, count: int = 100) -> dict:
"""connpassAPIによりイベント情報を取得する。
Parameters
----------
ym : int
取得するイベントの開催年月。
start : int, default 1
取得開始位置。
count : int, default 100
取得件数。
Returns
-------
api_result : dict[str, str]
イベント情報。
"""
params = {
'ym': ym,
'start': start,
'count': count,
}
return requests.get(API_URL, params=params).json()
def get_event_data(url: str) -> dict:
"""connpassイベントページより追加情報を取得する。
Parameters
----------
url : str
connpassイベントのurl。
Returns
-------
event_dict : dict[str, Any]
イベント情報dict。
"""
try:
html = urlopen(url)
except Exception:
# アクセス失敗した場合には全てNoneで返す
event_dict = {
'canceled': None,
'lottery': None,
'firstcome': None,
'free': None,
'prepaid': None,
'postpaid': None,
'amount': None
}
return event_dict
soup = BeautifulSoup(html, 'html.parser')
canceled = 0
cancel = soup.find(href=url + 'participation/#cancelled')
if cancel is not None:
canceled = cancel.text[9:-2]
# 抽選 or 先着順(混在している場合には表示順上位の内容を優先)
lottery = False
firstcome = False
free = False
participant_decision_list = soup.find_all('p', class_='participants')
for participant_decision in participant_decision_list:
if '抽選' in participant_decision.text:
lottery = True
break
elif '先着' in participant_decision.text:
firstcome = True
break
# 抽選でも先着順でもないイベント
free = not lottery and not firstcome
# 会場払い or 前払い(混在している場合には表示順上位の内容を優先)
prepaid = False
postpaid = False
# 金額(表示順上位・有料を優先)
amount = 0
payment_list = soup.find_all('p', class_='join_fee')
for payment in payment_list:
payment_text = payment.text
if '(前払い)' in payment_text:
prepaid = True
amount = re.sub(r'\D', '', payment_text)
break
elif '(会場払い)' in payment_text:
postpaid = True
amount = re.sub(r'\D', '', payment_text)
break
event_dict = {
'canceled': canceled,
'lottery': lottery,
'firstcome': firstcome,
'free': free,
'prepaid': prepaid,
'postpaid': postpaid,
'amount': amount
}
return event_dict
def get_event_data_ym(ym: int, seve_csv: bool = False) -> pd.DataFrame:
"""指定年月のconnpassイベント情報をDataFrameとして返す。
Parameters
----------
ym : int
取得するイベントの開催年月。
save_csv : bool, default False
取得した情報を保存するか。
Returns
-------
df : DataFrame
指定年月のconnpassイベント情報。
"""
df = pd.DataFrame(columns=df_columns)
# イベント件数
count = get_event_info(ym, 1, 1)['results_available']
for i in range((count // 100) + 1):
# イベント情報取得
events = get_event_info(ym, (i * 100) + 1)['events']
time.sleep(SLEEPING_SECONDS)
for event in events:
# connpassで受け付けているイベントのみを対象とする
if event['event_type'] == 'participation':
# キャンセル数や決済方法を取得
scraped_dict = get_event_data(event['event_url'])
time.sleep(SLEEPING_SECONDS)
# api とスクレイピング結果を結合
se = pd.Series({**event, **scraped_dict}, index=df.columns)
df = df.append(se, ignore_index=True)
if seve_csv:
# 途中経過をcsv保存
df.to_csv(DATASET_DIR + 'dataset_temp.csv', mode='a')
return df
def get_month_list(start_ym: int, end_ym: int) -> list:
"""connpassAPIによりイベント情報を取得する。
Parameters
----------
start_ym : int
開始年月。
end_ym : int
終了年月。
Returns
-------
month_list : list[int]
年月リスト。
"""
month_list = []
cal = start_ym
while(cal <= end_ym):
month_list.append(cal)
if cal % 100 == 12:
cal = cal + 100 - 11
else:
cal += 1
return month_list
if __name__ == '__main__':
main()