forked from DecideBienpe/peru-congreso
/
ImportadorExpediente.java
393 lines (364 loc) · 14.9 KB
/
ImportadorExpediente.java
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
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
package congreso.leyes.importador;
import com.google.protobuf.Int64Value;
import com.google.protobuf.StringValue;
import com.typesafe.config.Config;
import com.typesafe.config.ConfigFactory;
import congreso.leyes.Proyecto;
import congreso.leyes.Proyecto.ProyectoLey;
import congreso.leyes.Proyecto.ProyectoLey.Expediente.Documento;
import congreso.leyes.Proyecto.ProyectoLey.Id;
import congreso.leyes.internal.ProyectoIdSerde;
import congreso.leyes.internal.ProyectoLeySerde;
import java.time.Duration;
import java.time.LocalDate;
import java.time.ZoneOffset;
import java.time.format.DateTimeFormatter;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import java.util.Map.Entry;
import java.util.Objects;
import java.util.Properties;
import java.util.stream.Collectors;
import org.apache.kafka.clients.CommonClientConfigs;
import org.apache.kafka.streams.KafkaStreams;
import org.apache.kafka.streams.StreamsBuilder;
import org.apache.kafka.streams.StreamsConfig;
import org.apache.kafka.streams.kstream.Consumed;
import org.apache.kafka.streams.kstream.Produced;
import org.apache.kafka.streams.kstream.ValueTransformer;
import org.apache.kafka.streams.processor.ProcessorContext;
import org.apache.kafka.streams.state.KeyValueStore;
import org.apache.kafka.streams.state.Stores;
import org.jsoup.HttpStatusException;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
public class ImportadorExpediente {
static final Logger LOG = LoggerFactory.getLogger(ImportadorExpediente.class);
static KafkaStreams kafkaStreams;
public static void main(String[] args) {
var config = ConfigFactory.load();
run(config);
}
public static void run(Config config) {
var importador = new ImportadorExpediente();
var kafkaBootstrapServers = config.getString("kafka.bootstrap-servers");
var inputTopic = config.getString("kafka.topics.seguimiento-importado");
var outputTopic = config.getString("kafka.topics.expediente-importado");
var streamsBuilder = new StreamsBuilder();
streamsBuilder.addStateStore(Stores.keyValueStoreBuilder(
Stores.persistentKeyValueStore("proyectos"),
new ProyectoIdSerde(),
new ProyectoLeySerde()
));
streamsBuilder
.stream(inputTopic, Consumed.with(new ProyectoIdSerde(), new ProyectoLeySerde()))
.mapValues(importador::importarExpediente)
.filterNot((id, proyectoLey) -> Objects.isNull(proyectoLey))
.transformValues(() -> new ValueTransformer<ProyectoLey, ProyectoLey>() {
KeyValueStore<Id, ProyectoLey> store;
@Override
public void init(ProcessorContext context) {
store = (KeyValueStore<Id, ProyectoLey>) context.getStateStore("proyectos");
}
@Override
public ProyectoLey transform(ProyectoLey proyectoLey) {
if (proyectoLey.equals(store.get(proyectoLey.getId()))) {
return null;
} else {
store.put(proyectoLey.getId(), proyectoLey);
return proyectoLey;
}
}
@Override
public void close() {
}
}, "proyectos")
.filterNot((id, proyectoLey) -> Objects.isNull(proyectoLey))
.to(outputTopic, Produced.with(new ProyectoIdSerde(), new ProyectoLeySerde()));
var streamsConfig = new Properties();
streamsConfig.put(CommonClientConfigs.BOOTSTRAP_SERVERS_CONFIG, kafkaBootstrapServers);
var groupId = config.getString("kafka.consumer-groups.importador-expediente");
streamsConfig.put(StreamsConfig.APPLICATION_ID_CONFIG, groupId);
var overrides = config.getConfig("kafka.streams").entrySet().stream()
.collect(Collectors.toMap(Entry::getKey, entry -> entry.getValue().unwrapped()));
streamsConfig.putAll(overrides);
kafkaStreams = new KafkaStreams(streamsBuilder.build(), streamsConfig);
Runtime.getRuntime().addShutdownHook(new Thread(kafkaStreams::close));
LOG.info("Iniciando importacion de expedientes");
kafkaStreams.start();
}
public static void close() {
if (kafkaStreams != null) kafkaStreams.close(Duration.ofSeconds(10));
}
ProyectoLey importarExpediente(ProyectoLey proyectoLey) {
var urlExp = proyectoLey.getEnlaces().getExpediente();
try {
var builder = proyectoLey.toBuilder();
var doc = Jsoup.connect(urlExp).get();
var tablas = doc.body().select("table[width=500]");
if (tablas.size() != 1) {
LOG.warn("Numero inesperado de tablas {}, url={}", tablas.size(), urlExp);
return null;
}
//Ubicar contenido
var contenido = tablas
.first().children()
.first().children()
.get(1).children();
var contenidoExpediente = contenido
.first().children()
.first().children()
.first().children()
.first().children();
//extrayendo titulos
var cabeceras = contenidoExpediente.first().getElementsByTag("div")
.first().children()
.first().getElementsByTag("b");
var expedienteBuilder = builder.getExpediente().toBuilder();
if (!cabeceras.isEmpty()) {
expedienteBuilder.setTitulo(cabeceras.get(0).text());
}
if (cabeceras.size() > 1) {
var titulo = cabeceras.get(1).text();
expedienteBuilder.setSubtitulo(StringValue.of(titulo));
}
//extrayendo documentos
var tablasDocumento = contenidoExpediente.first().getElementsByTag("table");
// cuando contiene docs de ley
if (tablasDocumento.size() == 3) {
var docsResultado = documentos(tablasDocumento.first());
expedienteBuilder.addAllResultado(docsResultado);
var docsProyecto = documentos(tablasDocumento.get(1));
expedienteBuilder.addAllProyecto(docsProyecto);
var docsAnexos = documentos(tablasDocumento.get(2));
expedienteBuilder.addAllAnexo(docsAnexos);
}
// cuando solo contiene proyecto y anexos
if (tablasDocumento.size() == 2) {
var docsProyecto = documentos(tablasDocumento.get(0));
expedienteBuilder.addAllProyecto(docsProyecto);
var docsAnexos = documentos(tablasDocumento.get(1));
expedienteBuilder.addAllAnexo(docsAnexos);
}
// cuando solo contiene docs de proyecto
if (tablasDocumento.size() == 1) {
var docsProyecto = documentos(tablasDocumento.get(0));
expedienteBuilder.addAllProyecto(docsProyecto);
}
//extrayendo opiniones
var expedienteOpiniones = contenido.get(1).select("table[width=100]");
final var enlacesBuilder = builder.getEnlacesBuilder();
if (expedienteOpiniones.size() == 2) {
var presentarOpinionUrl = enlacePresentarOpinion(doc, expedienteOpiniones.get(0));
enlacesBuilder.setPublicarOpinion(StringValue.of(presentarOpinionUrl));
var opinionesUrl = enlaceOpinionesPresentadas(doc);
enlacesBuilder.setOpinionesPublicadas(opinionesUrl);
}
if (expedienteOpiniones.size() == 1) {
var opinionesUrl = enlaceOpinionesPresentadas(doc);
enlacesBuilder.setOpinionesPublicadas(opinionesUrl);
}
return builder.setEnlaces(enlacesBuilder).setExpediente(expedienteBuilder).build();
} catch (HttpStatusException e) {
if (e.getStatusCode() == 404) {
LOG.warn("Error procesando expediente {}, no encontrado", urlExp);
return null;
} else {
LOG.error("Error procesando expediente {}", urlExp, e);
throw new IllegalStateException(e);
}
} catch (Throwable e) {
LOG.error("Error procesando expediente {}", urlExp, e);
throw new IllegalStateException(e);
}
}
private String enlaceOpinionesPresentadas(Document doc) {
var scripts = doc.head().getElementsByTag("script");
var html = scripts.get(0).html();
var enlace = Arrays.stream(html.split("\\r"))
.filter(s -> s.strip().startsWith("window.open"))
.findFirst()
.map(s -> s.substring(s.indexOf("(") + 1, s.lastIndexOf(")")))
.map(s -> s.split(",")[0])
.map(link -> {
var urlPattern = link.substring(
link.indexOf("\"") + 1,
link.lastIndexOf("\"")
);
var idElement = doc.select("input[name=IdO]");
var value = idElement.first().attr("value");
return urlPattern.replace("\" + num + \"", value);
});
if (enlace.isEmpty()) {
LOG.warn("Enlace de opiniones presentadas no ha sido encontrado {}", html);
return null;
} else {
return enlace.get();
}
}
private String enlacePresentarOpinion(Document doc, Element opinionTable) {
var onclick = opinionTable.getElementsByTag("a").attr("onclick");
var ruta = onclick.indexOf("ruta3 =") + 7;
var link = onclick.substring(ruta, onclick.indexOf(";", ruta));
var urlPattern = link.substring(
link.indexOf("\"") + 1,
link.lastIndexOf("\"")
);
var idElement = doc.select("input[name=IdO]");
var value = idElement.first().attr("value");
return urlPattern.replace("\"+ids+\"", value);
}
private List<Proyecto.ProyectoLey.Expediente.Documento> documentos(Element table) {
try {
var rows = table.getElementsByTag("tr");
var th = rows.first().getElementsByTag("th");
var td = rows.first().getElementsByTag("td");
var headers = rows.first().getElementsByTag("b");
//extraer documentos de ley
if (th.size() == 3 || headers.size() == 5 || td.size() == 3) {
var docs = new ArrayList<Documento>();
for (int i = 1; i < rows.size(); i++) {
var row = rows.get(i);
var values = row.getElementsByTag("td");
if (values.size() == 3) {
var numeroProyecto = values.get(0).text();
var element = values.get(2);
var nombreDocumento = element.text();
var referenciaDocumento = element.getElementsByTag("a").attr("href");
var builder = Documento.newBuilder()
.setTitulo(nombreDocumento)
.setProyecto(StringValue.of(numeroProyecto))
.setUrl(referenciaDocumento);
var fecha = fecha(values.get(1));
if (fecha != null) {
builder.setFecha(Int64Value.of(fecha));
}
var doc = builder.build();
docs.add(doc);
} else if (values.size() == 1) {
var element = values.get(0);
var referenciaDocumento = element.getElementsByTag("a").attr("href");
var doc = Documento.newBuilder()
.setUrl(referenciaDocumento)
.build();
docs.add(doc);
} else {
LOG.warn("Numero de columnas no esperado {}", values.size());
}
}
return docs;
} else if (th.size() == 2 || headers.size() == 2) { //extraer documentos de proyecto
var docs = new ArrayList<Documento>();
for (int i = 1; i < rows.size(); i++) {
var row = rows.get(i);
var values = row.getElementsByTag("td");
var element = values.get(1);
var nombreDocumento = element.text();
var referenciaDocumento = element.getElementsByTag("a").attr("href");
var builder = Documento.newBuilder()
.setTitulo(nombreDocumento)
.setUrl(referenciaDocumento);
var fecha = fecha(values.get(0));
if (fecha != null) {
builder.setFecha(Int64Value.of(fecha));
}
var doc = builder.build();
docs.add(doc);
}
return docs;
} else if (th.size() == 0) { //extraer documentos de anexos
var docs = new ArrayList<Documento>();
var start = 0;
if (headers.size() > 0) {
start = 1;
}
for (int i = start; i < rows.size(); i++) {
var row = rows.get(i);
var values = row.getElementsByTag("td");
var element = values.get(1);
var nombreDocumento = element.text();
var referenciaDocumento = element.getElementsByTag("a").attr("href");
var builder = Documento.newBuilder()
.setTitulo(nombreDocumento)
.setUrl(referenciaDocumento);
var fecha = fecha(values.get(0));
if (fecha != null) {
builder.setFecha(Int64Value.of(fecha));
}
var doc = builder.build();
docs.add(doc);
}
return docs;
} else {
LOG.error("Numero de columnas {} y cabeceras {} no es esperado. \n {}",
th.size(), headers.size(), table.html());
throw new IllegalStateException("Numero de cabeceras de documentos inespeado");
}
} catch (Throwable e) {
LOG.error("Error obteniendo documentos {}", table.html(), e);
throw new IllegalStateException("Error obteniendo documentos", e);
}
}
private Long fecha(Element td) {
if (td.text().isBlank()) {
LOG.warn("Fecha vacia! {}", td.html());
return null;
}
//agregar cualquier condicion para arreglar inconsistencias en fechas
if (td.text().length() == 10) {
return LocalDate.parse(td.text(),
DateTimeFormatter.ofPattern("dd/MM/yyyy"))
.atStartOfDay()
.toInstant(ZoneOffset.ofHours(-5))
.toEpochMilli();
} else {
if (td.text().length() == 8) {
return LocalDate.parse(td.text()
.replaceAll("\\s+", "")
.replaceAll("-", "")
.replaceAll("\\+", "")
.replaceAll("//", "/")
.replaceAll("02/15/19", "15/02/19")
.replaceAll("20/0708", "20/07/18")
,
DateTimeFormatter.ofPattern("dd/MM/yy"))
.atStartOfDay()
.toInstant(ZoneOffset.ofHours(-5))
.toEpochMilli();
} else {
return LocalDate.parse(td.text()
.replaceAll("\\s+", "")
.replaceAll("-", "")
.replaceAll("\\+", "")
.replaceAll("//", "/")
.replaceAll("011", "11")
.replaceAll("119", "19")
.replaceAll("240", "24")
.replaceAll("178", "18")
.replaceAll("187", "18")
.replaceAll("182", "18")
.replaceAll("0520", "05/20")
.replaceAll("5/04/19", "05/04/19")
.replaceAll("0719", "07/19")
.replaceAll("0617", "06/17")
.replaceAll("1710", "17/10")
.replaceAll("1018", "10/18")
.replaceAll("0208", "02/08")
.replaceAll("1907", "19/07")
.replaceAll("23/03/18/", "23/03/18")
.replaceAll("02/15/19", "15/02/19")
.replaceAll("21/5/20", "21/05/20")
.replaceAll("20/0708", "20/07/18")
,
DateTimeFormatter.ofPattern("dd/MM/yy"))
.atStartOfDay()
.toInstant(ZoneOffset.ofHours(-5))
.toEpochMilli();
}
}
}
}