news_parser

news_parser - это новостной парсер. Парсер оперирует 2-мя таблицами в базе данных. В таблицу "resource" добавляются ресурсы, с которых требуется спарсить новости. В таблицу 'items' добавляется информация о найденных новостях.

Пока что парсер позволяет вытаскивать данные только по тем новостям, где для вытаскивания данных достаточно нацелиться на один единственный тэг.

В следующей версии парсера можно будет вытаскивать данные, где для доступа к данным вначале нужно вытащить один тэг с одними параметрами, потом второй с другими параметрами и т.д.

Системные требования

• Python 3.10+
• Works on Linux, Windows, macOS

Технологии:

• Python 3.10
• BeautifulSoup4
• PostgreSQL
• SQLAlchemy 1.4

Как запустить проект:

Для запуска проекта на локальной машине в проект вложен docker-compose. Учтите, что БД полностью разворачивается в докере, для неё в docker-compose не задан volume. Поэтому при удалении контейнера удалятся и данные базы.

Необходимо выполнить следующие шаги:

• Проверить, что свободен порт 5432 (требуется для работы Postgres)

• Проверить, что на машине установлены docker и docker-compose

• Клонировать репозиторий и перейти в папку проекта, где расположен файл docker-compose:

git clone https://github.com/KostKH/news_parser.git
cd news_parser/infra_parser_dev/

• Cоздать в папке infra_parser_dev файл .env с переменными окружения:

touch .env

• Заполнить .env файл переменными окружения. Пример (пароль указан для примера - поменяйте на свой):

echo DB_NAME=postgres >>.env
echo POSTGRES_USER=postgres >>.env
echo POSTGRES_PASSWORD=postrgres >>.env
echo DB_HOST=db_parser >>.env
echo DB_PORT=5432 >>.env
echo LOGFILE=logfile.log >> .env

• Установить и запустить приложения в контейнерах:

docker-compose up -d

• Зайти в контейнер с парсером, запустить терминал bash:

docker-compose exec parser bash

• Находясь в контейнере, запустить скрипт с одним из доступных параметров:

python news_parser.py                    <<< вывод помощи по программе
python news_parser.py  --help            <<< вывод помощи по программе
python news_parser.py  --parse           <<< парсинг новостей
python news_parser.py  --add_resources 'examples/add_resorces.json'       <<< загрузка в БД 'resources' сайтов из файла-примера
python news_parser.py  --delete_resources 'examples/delete_resorces.json' <<< удаление из БД 'resources' сайтов по resource_id из файла-примера

Формат данных для загрузки/модификаци ресурсов:

Данные о ресурсах загружаются из файла в формате json Данные для загрузки - это список (list) ресурсов. При этом параметры самого ресурса должны быть представлены в виде словаря (dict).

Пример:

[
    {
        "RESOURCE_NAME": "nur.kz",
        "RESOURCE_URL": "https://www.nur.kz",
        "top_tag": ["a", {"class": "post-preview-text js-article-link"}],
        "bottom_tag": ["div", {"class": "formatted-body io-article-body"}], 
        "title_cut": ["h1", {"class": "main-headline js-main-headline"}],
        "date_cut": ["time", {"class": "datetime datetime--publication"}]
    }
]

Формат данных для удаления ресурсов:

Для удаления ресурсов нужно передать в программу файл со списком (list) id ресурсов, которые нужно удалить. Пример:

[1, 2, 4, 13]

О программе:

Лицензия: BSD 3-Clause License

Автор: Константин Харьков