-
Notifications
You must be signed in to change notification settings - Fork 0
/
PfostenScraper - Inf.py
223 lines (189 loc) · 9.27 KB
/
PfostenScraper - Inf.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
from bs4 import BeautifulSoup
import requests
import sys
import os
import urllib.request
import pathlib
Bretter = ["b", "int", "meta"]
GetFiles = True
DetaillierterOutput = False
Endless = True
Durchlaufnummer = 0
while True:
Durchlaufnummer += 1
if Endless:
print("Durchlauf " + str(Durchlaufnummer))
print("Zu betrachtende Bretter:")
for Brett in Bretter:
print(Brett)
if GetFiles:
print("Laden von Dateien ist aktiviert.")
else:
print("Laden von Dateien ist deaktiviert.")
if DetaillierterOutput:
print("Detaillierte Ausgabe ist aktiviert.")
else:
print("Detaillierte Ausgabe ist deaktiviert.")
print("_______________________________________________________")
for Brett in Bretter:
print("Betrachte Brett: " + Brett)
#Alte Pfosten auslesen
AltePfosten = []
AltePfostenZahl = 0
Filename = Brett + "-Pfosten.txt"
if os.path.exists(Filename):
with open(Filename, "r+", encoding = "utf8") as file:
line = file.readline()
while line:
AltePfostenZahl += 1
AltePfosten.append(line)
line = file.readline()
else:
with open(Filename, 'w+') as file:
AltePfostenZahl = 0
print(str(AltePfostenZahl) + " alte Pfosten gefunden.")
#Alle aktiven Fäden finden
page = requests.get('https://ernstchan.xyz/' + Brett + '/catalog')
soup = BeautifulSoup(page.text, 'html.parser')
AlleLinks = []
counter = 0
for link in soup.find_all('a'):
AlleLinks.append(link.get('href'))
counter = counter + 1
print(str(counter) + " URLs im Katalog gefunden.")
FilterLinks = []
counter = 0
for url in AlleLinks:
if ('/' + Brett + '/thread/' in url) & (url not in FilterLinks):
FilterLinks.append(url)
counter = counter + 1
print(str(counter) + " Fäden gefunden, durchsuche...")
#URLs zu einzelnen Fäden sind nun bekannt, suche Pfosten
counter = 0
Tag = []
Monat = []
Jahr = []
Uhrzeit = []
Inhalt = []
AnzahlDateien = []
OP = []
Pfostennummer = []
AllePfosten = 0
pwd = str(pathlib.Path().absolute())
for FadenURL in FilterLinks:
FadenNumOfFiles = 0
Pfostenzahl = 0
counter = counter + 1
Faden = requests.get("https://ernstchan.xyz" + FadenURL)
soup = BeautifulSoup(Faden.text, 'html.parser')
Fadennummer = FadenURL.split("/")[-1]
if DetaillierterOutput:
print("Kümmere mich um Faden " + str(counter) + ": /" + Brett + "/" + Fadennummer)
for op in soup.find_all('div', {'class':'thread_OP'}): # OP hat andere Klasse als Antworten
Pfostenzahl += 1
for datum in op.find_all('span', {'class':'date mobile'}):
date = datum.text.split(" ")
if len(date[0][:-1]) < 2:
Tag.append("0" + date[0][:-1])
else:
Tag.append(date[0][:-1])
if date[1] == "Jänner":
date[1] = "Januar"
Monat.append(date[1])
Jahr.append(date[2])
Uhrzeit.append(date[4])
for textdiv in op.find_all('div', {'class':'text'}): # Text finden und speichern
for txt in textdiv.find_all('div', {'class':'post_body'}):
Inhalt.append(repr(txt.text))
NumOfFiles = 0
if not os.path.exists(pwd + "/files/" + Brett + "/" + Fadennummer + "/"):
os.makedirs(pwd + "/files/" + Brett + "/" + Fadennummer + "/")
for file in op.find_all('div', {'class':'file'}):
NumOfFiles = NumOfFiles+1
if GetFiles: # Bilder finden und speichern
for filedata in file.find_all('a', {"target":"_blank"}):
fileurl = "https://ernstchan.xyz/" + filedata.attrs.get("href")
url = urllib.request.quote(fileurl, safe=":/")
extension = fileurl.split(".")[-1]
save = (pwd + "/files/" + Brett + "/" + Fadennummer + "/" + Fadennummer + "_" + str(NumOfFiles) + "." + extension).encode()
if not os.path.isfile(save):
try:
urllib.request.urlretrieve(url, save)
except:
pass
AnzahlDateien.append(NumOfFiles)
FadenNumOfFiles = FadenNumOfFiles + NumOfFiles
Pfostennummer.append(int(Fadennummer))
OP.append(int(Fadennummer))
for pfosten in soup.find_all('div', {'class':'thread_reply'}): # Gleiches für Antworten
Pfostenzahl += 1
for datum in pfosten.find_all('span', {'class':'date mobile'}):
date = datum.text.split(" ")
if len(date[0][:-1]) < 2:
Tag.append("0" + date[0][:-1])
else:
Tag.append(date[0][:-1])
if date[1] == "Jänner":
date[1] = "Januar"
Monat.append(date[1])
Jahr.append(date[2])
Uhrzeit.append(date[4])
for textdiv in pfosten.find_all('div', {'class':'text'}): # Pfostentext
for txt in textdiv.find_all('div', {'class':'post_body'}):
Inhalt.append(repr(txt.text))
NumOfFiles = 0
if not os.path.exists(pwd + "/files/" + Brett + "/" + Fadennummer + "/"):
os.makedirs(pwd + "/files/" + Fadennummer + "/")
for file in pfosten.find_all('div', {'class':'file'}):
NumOfFiles = NumOfFiles+1
if GetFiles: # Bilder laden
for filedata in file.find_all('a', {"target":"_blank"}):
fileurl = "https://ernstchan.xyz/" + filedata.attrs.get("href")
url = urllib.request.quote(fileurl, safe=":/")
extension = fileurl.split(".")[-1]
save = (pwd + "/files/" + Brett + "/" + Fadennummer + "/" + pfosten.attrs.get("id") + "_" + str(NumOfFiles) + "." + extension).encode()
if not os.path.isfile(save):
try:
urllib.request.urlretrieve(url, save)
except:
pass
AnzahlDateien.append(NumOfFiles)
FadenNumOfFiles = FadenNumOfFiles + NumOfFiles
Pfostennummer.append(int(pfosten.attrs.get("id")))
OP.append(int(Fadennummer))
if DetaillierterOutput:
print(str(Pfostenzahl) + " Pfosten mit " + str(FadenNumOfFiles) + " Dateien vorgefunden.")
AllePfosten += Pfostenzahl
print("Alle Fäden durchgeschaut, sortiere Pfosten...")
PfostendataUnsorted = []
for i in range(AllePfosten):
newstr = Tag[i] + "-" + Monat[i] + "-" + Jahr[i] + "-" +Uhrzeit[i] + "#" + str(OP[i]) + "#" + str(Pfostennummer[i]) + "#" + str(AnzahlDateien[i]) + "#" + Inhalt[i] + "\n"
PfostendataUnsorted.append(newstr)
miss = 0
for Pfosten in AltePfosten:
if Pfosten not in PfostendataUnsorted:
PfostendataUnsorted.append(Pfosten)
else:
miss += 1
PfostendataSorted = []
for Pfosten in PfostendataUnsorted:
Geteilt = Pfosten.split("#", 4)
PfostendataSorted.append((Geteilt[0], Geteilt[1], int(Geteilt[2]), Geteilt[3], Geteilt[4]))
PfostendataSorted.sort(key = lambda tup: tup[2])
Pfostendata = []
for Pfosten in PfostendataSorted:
Pfostendata.append(Pfosten[0] + "#" + Pfosten[1] + "#" + str(Pfosten[2]) + "#" + Pfosten[3] + "#" + Pfosten[4])
print("Speichere Pfosten...")
writtenfiles = 0
with open(Filename, "w", encoding = "utf-8") as file:
for Pfosten in Pfostendata:
file.write(Pfosten)
writtenfiles += 1
print("Erfolgreich " + str(writtenfiles - AltePfostenZahl) + " neue Pfosten gespeichert, " + str(miss) + " Pfosten (von " + str(AllePfosten) + " gefundenen Pfosten) waren schon gespeichert.")
print("Es sind " + str(writtenfiles - AllePfosten) + " Pfosten gespeichert, die nicht mehr auf dem Brett sind.")
print("Es sind jetzt " + str(writtenfiles) + " Daten in " + Filename +" gespeichert.")
print("_______________________________________________________")
if not Endless:
break
input("Beehren sie uns bald wieder!")
sys.exit(0)