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!")