DatasetCrawler¶

Složka obsahuje implementace crawleru pro jednotlivé datasety. Crawlery jsou dynamicky importovány je tedy proto nutné dodržet pojemnování "dataset-name"_crawler.py.

Je velmi žádoucí aby crawler pro stažení souboru používal funkci basic_crawler_functions.download_file_from_url("url_souboru", "jmeno_datasetu").
Ta totiž ukládá do databáze zmínku o tom, které soubory byly již staženy aby nedocházelo k duplicitám nebo zbytečnému stahování.

Generovaný crawler¶

Při použití skriptu PrepareNewDataset.py vznikne následující kostra pro doplnění funkčnosti.

# Path to crawled data
CRAWLED_DATA_PATH = "CrawledData/" 

def crawl(config):
    """ 
    Implement crawl method that downloads new data to path_for_files
    For keeping the project structure
    url , regex, and dataset_name from config
    You can use already implemented functions from Utilities/Crawler/BasicCrawlerFunctions.py

    Args:
        config: loaded configuration file of dataset
    """ 
    dataset_name = config["dataset-name"]
    url = config['url']
    regex = config['regex']
    path_for_files = CRAWLED_DATA_PATH + dataset_name + '/'
    print("You must implements Crawl method first!")

Vzorově implementovaný crawler¶

Pro ukázku byl zvonel crawler pro dataset koloběžek. Je zde využito hlavně funkcí z Utilities.Crawler.basic_crawler_functions.

1. Crawler si stáhne stránku specifikovanou v konfiguračním souboru jako root (https://openstore.zcu.cz/).
2. Vyparsuje všechny odkazy na stránce
3. Vyfiltruje pouze požadované ("^OD_ZCU") a ty ze kterých již byla stažená data.
4. Následně projde všechny odkazy první urovně stejným způsobem získá všechny odkazy a vyfiltruje je podle regexu specifikovaného v konfiguračním souboru
5. Linky, které prošli filtrem odkazují na soubory s daty.
6. Vyřadíme odkazy s daty, které už máme stažené.
7. Data z odkazů stáhneme pomocí funkce basic_crawler_functions.download_file_from_url("url_souboru", "jmeno_datasetu"), který zajistí stažení souboru na správné místo a uložení jeho linku do databáze.
8. Jelikož jsou data data na stránce ve formátu ".zip" ještě projdeme znovu celou složku soubory rozbalíme a zipy smažeme funkcí folder_processor.unzip_all_csv_zip_files_in_folder(path_for_files)

from Utilities import folder_processor
from Utilities.Crawler import basic_crawler_functions

# Path to crawled data
CRAWLED_DATA_PATH = "CrawledData/" 

def crawl(config):
    """ 
    Implement crawl method that downloads new data to path_for_files
    For keeping the project structure
    url , regex, and dataset_name from config
    You can use already implemented functions from Utilities/Crawler/basic_crawler_functions.py

    Args:
        config: loaded configuration file of dataset
    """ 
    dataset_name = config["dataset-name"]
    url = config['url']
    regex = config['regex']
    path_for_files = CRAWLED_DATA_PATH + dataset_name + '/'

    first_level_links = basic_crawler_functions.get_all_links(url)
    filtered_first_level_links = basic_crawler_functions.filter_links(first_level_links, "^OD_ZCU")
    absolute_first_level_links = basic_crawler_functions.create_absolute_links(filtered_first_level_links, url)

    files = []

    for link in absolute_first_level_links:
        second_level_links = basic_crawler_functions.get_all_links(link)
        filtered_second_level_links = basic_crawler_functions.filter_links(second_level_links, regex)
        absolute_second_level_links = basic_crawler_functions.create_absolute_links(filtered_second_level_links, link)

        for file_link in absolute_second_level_links:
            files.append(file_link)

    files = basic_crawler_functions.remove_downloaded_links(files, dataset_name)

    for file in files:
        basic_crawler_functions.download_file_from_url(file, dataset_name)

    folder_processor.unzip_all_csv_zip_files_in_folder(path_for_files)