-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathSemanticScholar.py
194 lines (164 loc) · 7.93 KB
/
SemanticScholar.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
import os
import requests
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from bs4 import BeautifulSoup
import time
import spacy
from langdetect import detect
import uuid # Importer le module uuid pour la génération de noms de fichiers uniques
import random as rd
# Liste des User Agents
user_agents = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:55.0) Gecko/20100101 Firefox/55.0",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
def extraire_mots_cles_fr(requete):
"""
Fonction pour extraire les mots-clés à partir de la requête de l'utilisateur en français.
Arguments :
- requete : La requête de l'utilisateur
Returns :
- mots_cles_format : Les mots-clés formatés sous forme de chaîne de caractères
"""
nlp = spacy.load("fr_core_news_sm")
requete_utilisateur = requete.lower()
doc = nlp(requete_utilisateur)
mots_cles = []
for token in doc:
if (token.pos_ == "NOUN" and token.dep_ not in ["ROOT","obj"]) or \
(token.pos_ == "ADV" ) or \
(token.pos_ == "PRON" and token.dep_ != "dep") or \
(token.dep_ == "ROOT" and token.pos_ not in ["NOUN","VERB"]) or \
(token.pos_ == "ADJ" ) or \
(token.pos_ == "PROPN" and token.dep_ in ["nmod","punct"]):
if not token.is_stop and not token.is_punct and token.text.lower() not in ['article', 'articles']:
mots_cles.append(token.text)
mots_cles_format = ' '.join(mots_cles)
return mots_cles_format
def extraire_mots_cles_en(requete):
"""
Fonction pour extraire les mots-clés à partir de la requête de l'utilisateur en anglais.
Arguments :
- requete : La requête de l'utilisateur
Returns :
- mots_cles_format : Les mots-clés formatés sous forme de chaîne de caractères
"""
nlp = spacy.load("en_core_web_sm")
doc = nlp(requete)
mots_cles = []
for token in doc:
if (token.pos_ == "NOUN" ) or (token.dep_ == "punct") or \
(token.pos_ == "ADV") or (token.dep_ == "pobj") or \
(token.pos_ == "PROPN" and token.dep_ != "dep") or \
(token.pos_ == "ADJ" ) :
if not token.is_stop and not token.is_punct and token.text.lower() not in ['article', 'articles']:
mots_cles.append(token.text)
mots_cles_format = ' '.join(mots_cles)
return mots_cles_format
def detect_language(text):
"""
Fonction pour détecter la langue d'un texte donné.
Arguments :
- text : Le texte à analyser
Returns :
- 'français' si la langue détectée est le français, sinon 'anglais'
"""
lang = detect(text)
if lang == 'fr':
return 'français'
else:
return 'anglais'
def format_mot(motcle):
"""
Fonction pour formater un mot-clé pour une utilisation dans une URL de recherche.
Arguments :
- motcle : Le mot-clé à formater
Returns :
- format_motcle : Le mot-clé formaté pour une URL de recherche
"""
if ' ' in motcle:
format_motcle = motcle.replace(' ', '+')
else:
format_motcle = motcle
return format_motcle
def download_pdf_and_save(pdf_url, folder_name):
"""
Fonction pour télécharger un fichier PDF depuis un URL et l'enregistrer dans un dossier spécifié.
Arguments :
- pdf_url : L'URL du fichier PDF à télécharger
- folder_name : Le nom du dossier dans lequel enregistrer le fichier PDF
Returns :
- file_path : Le chemin du fichier enregistré
"""
try:
headers = {"User-Agent": rd.choice(user_agents)}
response = requests.get(pdf_url, headers=headers, stream=True)
response.raise_for_status()
file_name = f"article_{uuid.uuid4()}.pdf"
file_path = os.path.join(folder_name, file_name)
with open(file_path, "wb") as f:
f.write(response.content)
return file_path
except requests.exceptions.RequestException as e:
print(f"Erreur lors du téléchargement du PDF {pdf_url}: {str(e)}")
return None
def main():
"""
Fonction principale du programme.
"""
requete_utilisateur = input('Veuillez saisir votre requête : ')
langue = detect_language(requete_utilisateur)
if langue == 'français':
mots_cles_format = extraire_mots_cles_fr(requete_utilisateur)
print("Langue détectée ==> Français")
else:
mots_cles_format = extraire_mots_cles_en(requete_utilisateur)
print("Langue détectée ==> Anglais")
search_query = format_mot(mots_cles_format)
num_pages = int(input("Entrez le nombre de pages à parcourir : "))
folder_name = f"{search_query.replace('+', '-')}-{num_pages}"
if not os.path.exists(folder_name):
os.makedirs(folder_name)
options = Options()
options.add_argument("--headless")
driver = webdriver.Chrome(options=options)
num_articles = 0 # Compteur d'articles téléchargés avec succès
for page_num in range(1, num_pages+1):
print(f"Page {page_num}")
page_url = f"https://www.semanticscholar.org/search?q={search_query}&sort=relevance&page={page_num}"
driver.get(page_url)
time.sleep(5)
html_content = driver.page_source
soup = BeautifulSoup(html_content, "html.parser")
pdf_links = soup.select('a[href$=".pdf"]')
for link in pdf_links:
pdf_url = link["href"]
#print("Téléchargement du PDF:", pdf_url)
file_path = download_pdf_and_save(pdf_url, folder_name)
if file_path:
num_articles += 1
#print(f"Enregistré sous: {file_path}")
driver.quit()
print(f"Nombre total d'articles téléchargés avec succès : {num_articles}")
if __name__ == "__main__":
main()