-
Notifications
You must be signed in to change notification settings - Fork 1
/
delamo_csv.py
171 lines (158 loc) · 17.9 KB
/
delamo_csv.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
import re
import orodja
import html
import copy
vzorec_naslov_url_avtorja_serije = re.compile(
"""metacol" class="last col">\s*?<h1\sid="bookTitle"\sclass="bookTitle"\sitemprop="name">\s*(?P<naslov>.*?)\s*?(<a class="greyText" href="(?P<url_serije>.+?)">(\s|.)*?</a>)?</h1>\s*?<div id="bookAuthors" class="stacked">\s*?<span class='by smallText'>by</span>\s*?<span itemprop='author' itemscope='' itemtype='http://schema.org/Person'>\s*?<div class=('|")authorName__container('|")>\s*?<a class="authorName" itemprop="url" href="(?P<url_avtorja1>.*?(?P<id_avtorja1>\d+?)\D*?)"><span itemprop="name">.+?</span></a>(\s?<span class="greyText">\(Goodreads Author\)</span>\s*?)?(\s?<span class="authorName greyText smallText role">\(.+?\)</span>\s?)?,?\s*?</div>\s*?(,\s*?)?(\s*?<div class=('|")authorName__container('|")>\s*?<a class="authorName" itemprop="url" href="(?P<url_avtorja2>.*?(?P<id_avtorja2>\d+?)\D*?)"><span itemprop="name">.+?</span></a>(\s?<span class="greyText">\(Goodreads Author\)</span>\s*?)?(\s?<span class="authorName greyText smallText role">\(.+?\)</span>\s?)?,?\s*?</div>\s*?(,\s*?)?)?(\s*?<div class=('|")authorName__container('|")>\s*?<a class="authorName" itemprop="url" href="(?P<url_avtorja3>.*?(?P<id_avtorja3>\d+?)\D*?)"><span itemprop="name">.+?</span></a>(\s?<span class="greyText">\(Goodreads Author\)</span>\s*?)?(\s?<span class="authorName greyText smallText role">\(.+?\)</span>\s?)?,?\s*?</div>\s*?(,\s*?)?)?</span>\s*?</div>\s*?<div id="bookMeta""")
vzorec_ocene = re.compile(
"""stars staticStars"(\stitle="really liked it")?>(<span size="12x12" class="staticStar p\d\d?">.*?</span>){5}</span>\s*?<span class="value rating"><span class="average" itemprop="ratingValue">(?P<povprecna_ocena>.*?)</span>""")
vzorec_stevilo_ocen_opis = re.compile(
"""ratingCount" content=".*?">\s*?<span class="votes value-title" title=".*?">\s*(?P<stevilo_ocen>.*?)\s*?</span>\s*?Ratings?\s*?</a><span class="greyText"> · </span>\s+?<a class="gr-hyperlink" href="#other_reviews">\s+?<span class="count value-title" title="\d+?">\s+?.+?\s+?</span>\s+?Reviews?\s+?</a>\s+?</div>\s+?<div id="descriptionContainer">\s+?(<div id='choiceBadge'>\s*?<a (class="choiceWinnerBadge20\d\d" )?href="https://www.goodreads.com/choiceawards/best-books-20\d\d">(<img src=".*?" alt=".*?" />)?</a>\s+?</div>\s+?)?<div id="description" class="readable stacked" style="right:0">\s+?<span id="freeTextContainer\d+?">(Alternate Cover Edition can be found <a href=".*?" rel="nofollow">here</a>.)?(<strong>\s+?<i>This is an adaptation. For the editions of the original book, see <a href=".*?" rel="nofollow">here</a></i>\s+?</strong>.<br /><br />)?(.*?[Aa]lternate [Cc]overs? ([Ee]ditions?)?.*?(here</a>\s*and.*?)?here</a>\.?)?(Also see: [Aa]lternate [Cc]overs? ([Ee]ditions? )?for this ISBN \[ACE\] ACE)?(.*?[Aa]lternate [Cc]over [Ee]ditions? (for )?(ASIN \w+?|ISBN \d+ \(.+?\))\.?<.*?>)?(.*?[Aa]lternate [Cc]overs? [Ee]dition.*?\d+?</a>)?(?P<opis1>.+?)</span>(\s+?<span id="freeText\d+?" style="display:none">(Alternate Cover Edition can be found <a href=".*?" rel="nofollow">here</a>.)?(<strong>\s+?<i>This is an adaptation. For the editions of the original book, see <a href=".*?" rel="nofollow">here</a></i>\s+?</strong>.<br /><br />)?(.*?[Aa]lternate [Cc]overs? ([Ee]ditions?)?.*?(here</a>\s*and.*?)?here</a>\.?)?(Also see: [Aa]lternate [Cc]overs? ([Ee]ditions? )?for this ISBN \[ACE\] ACE)?(.*?[Aa]lternate [Cc]over [Ee]ditions? (for )?(ASIN \w+?|ISBN \d+ \(.+?\))\.?<.*?>)?(.*?[Aa]lternate [Cc]overs? [Ee]dition.*?\d+?</a>)?(?P<opis>[\s\S]+?)(</p>)?</span>\s+?<a data-text-id="\d+?" href="#" onclick)?""")
vzorec_stevilo_strani_leto = re.compile(
"""bookFormat">(.*?)</span>,\s*?<span itemprop="numberOfPages">(?P<stevilo_strani>\d\d\d?\d?) pages</span></div>\s*?<div class="row">\s*?Published(\s|.)*?(<nobr class="greyText">\s*?\(first published (?P<leto_izdaje>\d\d\d\d)\)\s*?</nobr>)?\s*?</div>""")
vzorec_ISBN = re.compile("""itemprop='isbn'>(?P<ISBN>(\d{13}|\w{10}))""")
vzorec_zanri = re.compile(
"""stacked">\s*?<div class=" clearFloats bigBox"><div class="h2Container gradientHeaderContainer"><h2 class="brownBackground"><a href="/work/shelves/\d+?">Genres</a></h2></div><div class="bigBoxBody"><div class="bigBoxContent containerWithHeaderContent">\s*?<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr1>/genres/.*?)">(?P<zanr1>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr15>.*?)">(?P<zanr15>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr2>/genres/.*?)">(?P<zanr2>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr25>.*?)">(?P<zanr25>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr3>/genres/.*?)">(?P<zanr3>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr35>.*?)">(?P<zanr35>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr4>/genres/.*?)">(?P<zanr4>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr45>.*?)">(?P<zanr45>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr5>/genres/.*?)">(?P<zanr5>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr55>.*?)">(?P<zanr55>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr6>/genres/.*?)">(?P<zanr6>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr65>.*?)">(?P<zanr65>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr7>/genres/.*?)">(?P<zanr7>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr75>.*?)">(?P<zanr75>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr8>/genres/.*?)">(?P<zanr8>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr85>.*?)">(?P<zanr85>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr9>/genres/.*?)">(?P<zanr9>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr95>.*?)">(?P<zanr95>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr10>/genres/.*?)">(?P<zanr10>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr105>.*?)">(?P<zanr105>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?(<div class="elementList (elementListLast)?">\s*?<div class="left">\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr11>/genres/.*?)">(?P<zanr11>.*?)</a>( >\s*?<a class="actionLinkLite bookPageGenreLink" href="(?P<url_zanr115>.*?)">(?P<zanr115>.*?)</a>)?\s*?</div>\s*?<div class="right">\s*?<a title="\d+? people shelved this book as .*?;" class="actionLinkLite greyText bookPageGenreLink" rel="nofollow" href=".*?">.+? users?</a>\s*?</div>\s*?<div class="clear"></div>\s*?</div>\s*?)?<a class="actionLink right bookPageGenreLink__seeMoreLink" href=".*?">See top shelves""")
vzorec_id_knjige = re.compile("""canonical" href="https://www.goodreads.com/book/show/(?P<id_knjige>\d+).*?" />""")
vzorec_serija = re.compile(
"""BoxRowTitle">Series</div>\s+<div class="infoBoxRowItem">\s+<a href="(?P<url_serije1>/series/(?P<id_serije1>\d+)-[^"]*?)">.*?#?(?P<zaporedna_stevilka_serije1>\d\d?)?</a>(, <a href="(?P<url_serije2>/series/(?P<id_serije2>\d+?)-[^"]*?)">.*?#?(?P<zaporedna_stevilka_serije2>\d\d?)?</a>)?(, <a href="(?P<url_serije3>/series/(?P<id_serije3>\d+?)-[^"]*?)">.*?#?(?P<zaporedna_stevilka_serije3>\d\d?)?</a>)?(\s*,\s*<a href="/work/\d+?-[^"]*?/series">more</a>)?\s*</div>""")
vzorec_jezik = re.compile("""inLanguage'>(?P<jezik>.+?)</div>""")
vzorec_naslovnica = re.compile(
"""<div class="bookCoverPrimary">\s+?(<a rel="nofollow" itemprop="image" href=".+?"><img id="coverImage" alt=".+?" src="(?P<url_naslovnice>.+?))?(<div class="noCoverMediumContainer">\s+?<img title=".+?" id=".+?" src="(?P<url_prazne>.+?))?\.jpg""")
seznam_vseh_knjig = []
seznam_tujih_knjig = []
seznam_avtor_knjiga = []
seznam_zanr_knjiga = []
slovar_url_avtorjev = dict()
seznam_serija_knjiga = []
slovar_url_serij = dict()
idji_knjig = set()
slovar_url_zanrov = dict()
dodaj_ze_znanim_serijam = []
def shrani_knjige(mapa, prvic='True'):
for knjiga in mapa:
vsebina = orodja.vsebina_datoteke(knjiga)
print(knjiga)
podatki1 = {'naslov': 'Untitled', 'id_avtorja1': None, 'url_avtorja1': None,
'id_avtorja2': None, 'url_avtorja2': None,
'id_avtorja3': None, 'url_avtorja3': None}
podatki2 = {'povprecna_ocena': None}
podatki3 = {'opis': None, 'stevilo_ocen': '0'}
podatki4 = {'leto_izdaje': None, 'stevilo_strani': None}
podatki5 = {'ISBN': None}
podatki6 = {'zanr1': None}
podatki7 = {'id_knjige': None}
podatki8 = {'url_serije1': None, 'url_serije2': None, 'url_serije3': None,
'id_serije1': None, 'id_serije2': None, 'id_serije3': None,
'zaporedna_stevilka_serije1': None, 'zaporedna_stevilka_serije2': None,
'zaporedna_stevilka_serije3': None}
podatki9 = {'jezik': 'English'}
podatki10 = {'url_naslovnice': None, 'url_prazne': None}
for vzorec1 in re.finditer(vzorec_naslov_url_avtorja_serije, vsebina):
podatki1 = vzorec1.groupdict()
for vzorec2 in re.finditer(vzorec_ocene, vsebina):
podatki2 = vzorec2.groupdict()
for vzorec3 in re.finditer(vzorec_stevilo_ocen_opis, vsebina):
podatki3 = vzorec3.groupdict()
if podatki3['opis'] is None:
podatki3['opis'] = html.unescape(orodja.pocisti_niz(podatki3['opis1']))
else:
podatki3['opis'] = html.unescape(orodja.pocisti_niz(podatki3['opis']))
for vzorec4 in re.finditer(vzorec_stevilo_strani_leto, vsebina):
podatki4 = vzorec4.groupdict()
for vzorec5 in re.finditer(vzorec_ISBN, vsebina):
podatki5 = vzorec5.groupdict()
for vzorec6 in re.finditer(vzorec_zanri, vsebina):
podatki6 = vzorec6.groupdict()
for vzorec7 in re.finditer(vzorec_id_knjige, vsebina):
podatki7 = vzorec7.groupdict()
for vzorec8 in re.finditer(vzorec_serija, vsebina):
podatki8 = vzorec8.groupdict()
for vzorec9 in re.finditer(vzorec_jezik, vsebina):
podatki9 = vzorec9.groupdict()
for vzorec10 in re.finditer(vzorec_naslovnica, vsebina):
podatki10 = vzorec10.groupdict()
if podatki9['jezik'] == 'English': # Če knjiga ni angleška, se ne sme dodati na noben csv
###CSV za tabelo KNJIGA
podatkiKnjiga = dict()
podatkiKnjiga['naslov'] = html.unescape(podatki1['naslov'])
podatkiKnjiga['stevilo_ocen'] = int(
re.sub('[,]', '', podatki3['stevilo_ocen'])) ###to spremeni niz glasov v integer brez vejc
podatkiKnjiga['vsota_ocen'] = podatki2['povprecna_ocena'] * podatki_knjiga['stevilo_ocen']
podatkiKnjiga['opis'] = podatki3['opis']
podatkiKnjiga['dolzina'] = podatki4['stevilo_strani']
podatkiKnjiga['leto'] = podatki4['leto_izdaje']
podatkiKnjiga['ISBN'] = podatki5['ISBN']
podatkiKnjiga['id'] = podatki7['id_knjige']
if podatki10['url_naslovnice'] is not None:
podatkiKnjiga['url_naslovnice'] = podatki10['url_naslovnice']+'.jpg'
else:
podatkiKnjiga['url_naslovnice'] = podatki10['url_prazne']+'.jpg'
idji_knjig.add(podatki7['id_knjige'])
seznam_vseh_knjig.append(podatkiKnjiga)
###CSV za tabelo AVTORKNJIGE
podatkiAvtor1 = dict()
podatkiAvtor2 = dict()
podatkiAvtor3 = dict()
podatkiAvtor1['id_knjige'] = podatki7['id_knjige']
podatkiAvtor1['id_avtorja'] = podatki1['id_avtorja1']
podatkiAvtor2['id_knjige'] = podatki7['id_knjige']
podatkiAvtor2['id_avtorja'] = podatki1['id_avtorja2']
podatkiAvtor3['id_knjige'] = podatki7['id_knjige']
podatkiAvtor3['id_avtorja'] = podatki1['id_avtorja3']
if podatkiAvtor2['id_avtorja'] is not None:
seznam_avtor_knjiga.extend([podatkiAvtor1, podatkiAvtor2])
slovar_url_avtorjev[podatki1['id_avtorja1']] = podatki1['url_avtorja1']
slovar_url_avtorjev[podatki1['id_avtorja2']] = podatki1['url_avtorja2']
if podatkiAvtor3['id_avtorja'] is not None:
seznam_avtor_knjiga.append(podatkiAvtor3)
slovar_url_avtorjev[podatki1['id_avtorja3']] = podatki1['url_avtorja3']
else:
seznam_avtor_knjiga.append(podatkiAvtor1)
slovar_url_avtorjev[podatki1['id_avtorja1']] = podatki1['url_avtorja1']
###CSV za tabelo ZANRKNJIGE
podatkiZanr = dict()
podatkiZanr['id_knjige'] = podatki7['id_knjige']
i = 1
zanri_te_knjige = []
while podatki6['zanr{0}'.format(str(i))] is not None:
podatkiZanr['zanr'] = html.unescape(podatki6['zanr{0}'.format(str(i))])
slovar_url_zanrov[html.unescape(podatki6['zanr{0}'.format(str(i))])] = podatki6[
'url_zanr{0}'.format(str(i))]
if podatkiZanr not in zanri_te_knjige:
zanri_te_knjige.append(podatkiZanr.copy())
if podatki6['zanr{0}5'.format(str(i))] is not None:
podatkiZanr['zanr'] = html.unescape(podatki6['zanr{0}5'.format(str(i))])
slovar_url_zanrov[html.unescape(podatki6['zanr{0}5'.format(str(i))])] = podatki6[
'url_zanr{0}5'.format(str(i))]
if podatkiZanr not in zanri_te_knjige:
zanri_te_knjige.append(podatkiZanr.copy())
i += 1
for x in zanri_te_knjige:
seznam_zanr_knjiga.append(x)
###CSV za tabelo DelSerije
podatkiSerije = dict()
podatkiSerije['id_knjige'] = podatki7['id_knjige']
i = 1
while i < 4 and podatki8['id_serije{0}'.format(str(i))] is not None:
if prvic:
slovar_url_serij[podatki8['id_serije{0}'.format(str(i))]] = podatki8['url_serije{0}'.format(str(i))]
podatkiSerije['id_serije'] = copy.copy(podatki8['id_serije{0}'.format(str(i))])
podatkiSerije['zaporedna_stevilka_serije'] = copy.copy(
podatki8['zaporedna_stevilka_serije{0}'.format(str(i))])
if prvic:
seznam_serija_knjiga.append(podatkiSerije.copy())
else:
dodaj_ze_znanim_serijam.append(podatkiSerije.copy())
i += 1
else:
seznam_tujih_knjig.append(podatki7['id_knjige'])
# mapa = orodja.datoteke("knjige")
# shrani_knjige(mapa)
#
# mapa_dodatne_knjige = orodja.datoteke("dodatne_knjige")
# shrani_knjige(mapa_dodatne_knjige, prvic=False)
# orodja.zapisi_tabelo(seznam_vseh_knjig,
# ['id', 'ISBN', 'naslov', 'dolzina', 'povprecna_ocena', 'stevilo_ocen', 'leto', 'opis'],
# 'podatki/knjiga.csv')
# orodja.zapisi_tabelo(seznam_zanr_knjiga, ['id_knjige', 'zanr'], 'podatki/zanr_knjige.csv')