-
Notifications
You must be signed in to change notification settings - Fork 0
/
scraperRegistro.py
435 lines (356 loc) · 15 KB
/
scraperRegistro.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
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
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
from bs4 import BeautifulSoup
import csv
import html5lib
from urllib.request import urlopen
import schedule
import time
import datetime
import redis
import os
import requests
import json
class clase:
def __init__(self, pSalones, pDias, pHorario):
self.salones = pSalones
self.horario = pHorario
self.dias = pDias
def agregarSalon(self, pSalon):
self.salones.append(pSalon)
def agregarDias(self, pDias):
self.dias.append(pDias)
def agegarHorario(self, pHorario):
self.horario.append(pHorario)
class salon:
def __init__(self, pIdSalon):
self.idSalon = pIdSalon
#REFERENCIA: horarios[a][b] guarda los horarios de un salon, donde b representa la franja horaria y a el día correspondiente
#Es decir, horarios[1][0] haría referencia a //la primera// una clase del salón los martes (los días se empiezan a contar desde cero)
self.horarios = [['' for x in range(0)] for x in range(7)]
def agregarHorario(self, pDia, pHorario):
self.horarios[pDia].append(pHorario)
USER_AGENT = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.95 Safari/537.36"
def scrape():
#Inicializo la lista de clases de registro
listaClases=[]
log("solicitando principal")
page = request("https://registroapps.uniandes.edu.co/scripts/semestre/adm_con_horario_joomla.php")
#Hago el request de Registro
soup = BeautifulSoup(page, 'html5lib')
#Voy a recorrer cada departamento, buscando las clases
for unDepartamento in soup.find_all('a'):
link = ''
link = unDepartamento.get('href')
is_relative_article_link = link.startswith('..')
if is_relative_article_link:
nuevolink = "https://registroapps.uniandes.edu.co/scripts" + link.split('..')[1]
#Saco la página del departamento y miro todos los tags 'td' con width = '156'
noodles = BeautifulSoup(request(nuevolink),'html5lib')
contenido = ''
#Variables locales que usaré recorriendo los departamentos
salonesRaw = []
diasRaw =[]
horariosRaw = []
#Variable que me notifica que acabe de leer una clase
skip = False;
#Por cada tag que haya encontrado
for casilla in noodles.find_all('td', height='17'):
contenido = str(casilla.string)
if (contenido != None):
contenido = str(contenido.lstrip().rstrip())
#TODO Mejorar que los .NOREQ y los . no salgan en los salones
if contenido.startswith('.') and not 'REQ' in contenido and contenido != '.':
salonesRaw.append(contenido.lstrip().rstrip())
elif '-' in contenido and len (contenido) > 2:
#print('entre a un horario: '+ contenido)
horariosRaw.append(contenido)
#si no contiene el salón o el horario, falta verificar que sea un día
elif (esDia(contenido)):
#print('entre a un dia: '+ contenido )
diasRaw.append(contenido)
#Si leo el string horas, significa que estoy en una clase nueva
if(contenido == 'Horas'):
skip = True
if( salonesRaw and horariosRaw and diasRaw and skip):
nuevaClase = clase(salonesRaw, diasRaw, horariosRaw)
#print('----Clase nueva---- \n' +
# 'Salones: ' + listaToString(nuevaClase.salones) + '\n' +
# 'Horarios: ' + listaToString(nuevaClase.horario) + '\n' +
# 'Días: ' + listaToString(nuevaClase.dias)
#)
listaClases.append(nuevaClase)
diasRaw = []
horariosRaw = []
diasRaw = []
salonesRaw = []
#Reinicio toda la clase actual, porque no encontré nada concluyente (o no hay salón u horario o días)
if skip:
diasRaw = []
horariosRaw = []
diasRaw = []
salonesRaw = []
skip = False
salones = calcularSalonesDelCampus(listaClases)
with open('Classrooms.csv', 'w') as myfile:
writer = csv.writer(myfile, quoting=csv.QUOTE_ALL)
for noSeQue in salones:
info = [noSeQue.idSalon, listaDeListasToString(noSeQue.horarios)]
writer.writerow(info)
myfile.close
data = {}
serializeClassrooms(salones, 'OccupiedClassrooms.json', data)
#Optimizaciones de memoria
soup = ''
listaClases = ''
data = {}
calcularDisponibles(salones)
serializeClassrooms(salones, 'FreeClasroomsNotOpt.json', data)
optimizarDisponibles(salones)
definirIntervalosLibres(salones)
serializeClassrooms(salones, 'FreeClasrooms.json', data)
log("termine")
print(datetime.datetime.now())
def request(url):
log("requesting " + url)
custom_headers = {
'user-agent' : USER_AGENT,
'accept': "text/html;charset=UTF-8"
}
response = requests.get(url, headers = custom_headers)
response.encoding= "utf-8"
return response.text
def log(algo):
prefix = '[' + timestamp() + '] '
print( prefix + algo)
def timestamp():
return datetime.datetime.now().strftime("%m/%d/%y %H:%M:%S")
def applyFormatEscaping(data):
return '"' + str(data).replace('"', "'") + '"'
def store(content):
r = redis.from_url(os.environ.get('REDIS_URL'))
r.set('news' , content.encode('utf8'))
def esDia(casilla):
cantidadEspacios = 0
cantidadLetras = 0
for caracter in casilla:
if (caracter == ' '):
cantidadEspacios += 1
else:
cantidadLetras += 1
#La cantidad de espacios en el string es de 2 o 4 o 6 o 8 por día. Si hay un solo día, no hay espacios
#Ejemplos de formato de días: "L", "M L"; "L M I"; "J V S"
return (cantidadEspacios == 2*(cantidadLetras-1) or cantidadEspacios == 4*(cantidadLetras-1) or cantidadEspacios == 6*(cantidadLetras-1) or cantidadEspacios == 8*(cantidadLetras-1))
def esNombre(casilla):
if(not esDia(casilla)):
return (' ' in casilla)
#esto puede servir porque si hice lstrip() y rstrip(), si es un nombre va a tener AL MENOS 1 espacio
def listaToString(lista):
return ("[" + ", ".join(map(str, lista)) + "]")
def calcularSalonesDelCampus(pListaClases):
listaDeSalonesCampus = []
for claseL in pListaClases:
agregarSalonesPorClase(listaDeSalonesCampus, claseL)
return listaDeSalonesCampus
def agregarSalonesPorClase(listaDeSalones, pClase):
posicion = 0
for salonDeClase in pClase.salones:
existeElSalon = False
for salonL in listaDeSalones:
existeElSalon = salonL.idSalon == salonDeClase #Si el salon tiene el id del salon busacdo, entonces si existe
if (existeElSalon): #Si existe, simplemente le paso la información de la clase
#print ("A " + salonL.idSalon + " le agregué [" + clase.dias[posicion] +"] = " + clase.horario[posicion])
try:
agregarClaseASalon(salonL, pClase.horario[posicion], pClase.dias[posicion])
except IndexError:
print ("A " + salonL.idSalon + " le intenté agregar " + listaToString(pClase.dias) +"[" + str(posicion) + "]" + listaToString(pClase.horario) + "[" + str(posicion) + "] Y se cagó por índice")
break
if not existeElSalon: #Si al final de recorrer toda la lista de salones no existe el salon, entonces debo agregarlo a la lista de salones
nuevo = salon(salonDeClase)
agregarClaseASalon(nuevo, pClase.horario[posicion], pClase.dias[posicion])
listaDeSalones.append(nuevo)
print (nuevo.idSalon)
posicion += 1
def agregarClaseASalon(pSalon, pHorario, pDias):
for caracter in pDias:#Por cada día, voy a agregar los horarios al salon
dia = identificarNumeroDia(caracter)
if dia >= 0 and (not pHorario in pSalon.horarios[dia]): #Si el día es un índice válido y si el horario NO está en la lista horarios, entonces lo agrego
pSalon.agregarHorario(dia, pHorario) #Esto lo hago para no tener muchos horarios repetidos para el mismo salón
print ("A " + pSalon.idSalon + " le agregué [" + caracter +"] = " + pHorario)
def identificarNumeroDia (letraDia):
if (letraDia == 'L'):
return 0
elif (letraDia == 'M'):
return 1
elif (letraDia == 'I'):
return 2
elif (letraDia == 'J'):
return 3
elif (letraDia == 'V'):
return 4
elif (letraDia == 'S'):
return 5
elif (letraDia == 'D'):
return 6
else:
return -1
def salonesCampus(listaDeSalones):
respuesta = ''
for salonL in listaDeSalones:
print("Voy en: " + salonL.edificio + salonL.numero)
respuesta += (
'----------' + salonL.edificio + salonL.numero + '---------\n' +
listaDeListasToString(salonL.horarios) +
'------------------------------\n'
)
return respuesta
def identificarDiaNumero(numeroDia):
if (numeroDia == 0):
return 'Lunes'
elif (numeroDia == 1):
return 'Martes'
elif (numeroDia == 2):
return 'Miércoles'
elif (numeroDia == 3):
return 'Jueves'
elif (numeroDia == 4):
return 'Viernes'
elif (numeroDia == 5):
return 'Sabado'
elif (numeroDia == 6):
return 'Domingo'
else:
return 'AyyLmao'
def listaDeListasToString(listaDeListas):
i = 0;
respuesta = ''
while ( i < len(listaDeListas) ): #Dimensión de los días (voy a ir por todos los días)
respuesta += '[' + identificarDiaNumero(i) + '] =' + listaToString(listaDeListas[i]) + ' '
i += 1
return respuesta
def generarArregloGeneral():
iteracion = (2200 - 630)/10
arregloTodosLosHorarios = []
i = 0
while i < iteracion:
horarioNuevo = 630 + i*10
if esHoraValida(horarioNuevo):
arregloTodosLosHorarios.append(horarioNuevo)
i+=1
return arregloTodosLosHorarios
def quitarDisponibilidad(horario, arregloDia):
valores = horario.split('-')
k = 0
while k < len(valores):
valores[k] = valores[k].lstrip().rstrip()
k += 1
inicioClase = int(valores[0])
finalClase = int(valores[1])
deboEliminar = False
horariosAEliminar = []
for franjaHoraria in arregloDia:
if franjaHoraria == inicioClase:
deboEliminar = True
elif franjaHoraria == finalClase:
deboEliminar = False
horariosAEliminar.append(franjaHoraria)
break
if deboEliminar:
horariosAEliminar.append(franjaHoraria)
for eliminar in horariosAEliminar:
arregloDia.remove(eliminar)
def calcularDisponibles(pSalones):
#Hago esto para no tener que calcular el arreglo general cada vez
variableEstado = generarArregloGeneral()
salonesDisponibles = [[None for x in range(0)] for x in range(7)]
for cadaSalon in pSalones:
i = 0
for dia in cadaSalon.horarios:
horariosDisponibles = variableEstado[:] #Para que no se haga referencia al mismo estado
if dia: #Checking list emptyness
print("longitud del día: " + str(len(dia)))
for horario in dia:
quitarDisponibilidad(horario, horariosDisponibles)
cadaSalon.horarios[i] = horariosDisponibles
else:
print("entré a pythnic empty list")
cadaSalon.horarios[i] = horariosDisponibles
i+=1;
def serializeClassrooms(classrooms, fileName, emptyDirectory):
with open(fileName, 'w') as outFile:
for salonFinal in classrooms:
emptyDirectory[salonFinal.idSalon] = salonFinal.horarios
json.dump(emptyDirectory, outFile)
outFile.close
def esHoraValida(hora):
horaStr = str(hora)
long = len(horaStr)
horaStr = horaStr[long-2:long]
if (int(horaStr) < 60):
return True
return False
def optimizarDisponibles(pSalones):
for cadaSalon in pSalones:
i = 0
for dia in cadaSalon.horarios:
if dia: #Si la lista no está vacía
cadaSalon.horarios[i] = optimizarContinuidad(dia)
else:
cadaSalon.horarios[i] = "CompletelyFree"
i += 1
def optimizarContinuidad(horario):
horarioOptimizado = []
i = 0
esIntervaloContinuo = False
print (len(horario))
while i < len(horario)-1:
if not esIntervaloContinuo:
esIntervaloContinuo = esHorarioContinuo(horario[i], horario[i+1])
horarioOptimizado.append(horario[i])
else:
esIntervaloContinuo = esHorarioContinuo(horario[i], horario[i+1])
if not esIntervaloContinuo:
horarioOptimizado.append(horario[i])
i += 1
horarioOptimizado.append(horario[-1])#Agrego el último elemento
return horarioOptimizado
#Horario 1 es el más temprano
#Horario 2 es el más tarde
def esHorarioContinuo(horario1, horario2):
hayCambioHora = hayCambioDeHora(horario1,horario2)
if hayCambioHora:
if (int(horario2) - int(horario1) == 50):
return True
return False
else:
return int(horario2) - int(horario1) == 10
def hayCambioDeHora(horario1, horario2):
hora1 = int(str(horario1)[len(str(horario1))-3])
hora2 = int(str(horario2)[len(str(horario2))-3])
if abs(hora1-hora2) == 1 or abs(hora1-hora2) == 9:
return True
return False
def definirIntervalosLibres(pSalones):
for cadaSalon in pSalones:
d = 0
for dia in cadaSalon.horarios:
intervalos = []
i = 0
while i < len(dia)-1:
nuevoIntervalo = str(dia[i]) + " - " + str(dia[i+1])
intervalos.append(nuevoIntervalo)
i+=2 #Esto lo hago porque debo pasar al siguiente intervalo (me tengo que saltar el que acabo de agregar)
cadaSalon.horarios[d] = intervalos
d +=1
scrape()
schedule.every(5).minutes.do(scrape)
while True:
schedule.run_pending()
time.sleep(1)
#python scraperregistro.py
#TODO list:
#Hay algunos días que se agregan en los profesores, revisar si tiene que ver con la cantidad de espacios
#En efecto, por ejemplo, en el dpto de ciencias biológicas hay una clase que tiene 8 espacios entre dias ¡Hecho!
#Toca ver si el número de espacios tiene que ver con algún atributo de la clase (¿por qué decidieron usar diferentes cantidades de espacios?)
#Hay algunos días que la cantidad de espacios entre días no es consistente // Hasta ahora van espacios de a 2, 4, 6 y 8
#Algunos salones tienen solamente . en vez de .NOREQ
#Las clases con .NOREQ no están
#Existen clases .NOREQ con salon, REGISTRO PLOX, o está mal el scrapeo aparición: Pablo Figueroa al final de ISIS