Mas avances en el explorer
This commit is contained in:
parent
7e8daab6ce
commit
e466986721
3 changed files with 60 additions and 49 deletions
|
|
@ -30,8 +30,6 @@ class DatabaseWrapper():
|
|||
def disconnect(self):
|
||||
if self.connection.is_connected():
|
||||
self.connection.disconnect()
|
||||
else:
|
||||
print("Connection was not active.")
|
||||
|
||||
def ping(self):
|
||||
self.connect()
|
||||
|
|
|
|||
|
|
@ -20,8 +20,8 @@ class UrlAttack():
|
|||
def attack(self):
|
||||
self.has_been_attacked = True
|
||||
try:
|
||||
self.response = requests.get(self.url, headers = headers,
|
||||
timeout = timeout)
|
||||
self.response = requests.get(self.url, headers = self.headers,
|
||||
timeout = self.timeout)
|
||||
if self.response.ok:
|
||||
self.success = True
|
||||
except Exception:
|
||||
|
|
|
|||
|
|
@ -17,17 +17,19 @@ class Explorer():
|
|||
def __init__(self):
|
||||
try:
|
||||
self.anunciosdb = get_anunciosdb()
|
||||
|
||||
except:
|
||||
print("Could not connect to DB")
|
||||
print("Could not connect to anuncios DB")
|
||||
try:
|
||||
self.task_log_db = #get_task_log_db()
|
||||
except:
|
||||
print("Could not connect to task log DB")
|
||||
|
||||
self.max_db_retries = 3
|
||||
self.db_retries = 0
|
||||
self.max_queue_retries = 3
|
||||
self.queue_retries = 0
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
def start(self):
|
||||
#Arrancar el servicio
|
||||
|
||||
|
|
@ -43,18 +45,18 @@ class Explorer():
|
|||
break
|
||||
|
||||
current_task = ExploringTask(self.compose_listing_url)
|
||||
|
||||
if current_task.is_ready_to_explore:
|
||||
current_task.explore()
|
||||
else:
|
||||
#Qué?
|
||||
if current_task.status == 'Success':
|
||||
break
|
||||
if current_task.status == 'referencias ready':
|
||||
current_referencias = current_task.get_referencias()
|
||||
|
||||
for referencia in current_referencias:
|
||||
self.post_task_to_queue(referencia)
|
||||
current_task.update_status('Sent to queue')
|
||||
|
||||
|
||||
for referencia in current
|
||||
|
||||
|
||||
continue
|
||||
|
||||
self.stop()
|
||||
|
||||
|
|
@ -66,6 +68,8 @@ class Explorer():
|
|||
def there_is_work(self):
|
||||
#TODO
|
||||
#Comprueba si hay trabajo por hacer
|
||||
#Mirando en la bd de tasks cuantas se han hecho ultimamente, mensualmente
|
||||
#etc.
|
||||
|
||||
def database_is_up(self):
|
||||
while self.db_retries <= self.max_db_retries:
|
||||
|
|
@ -94,6 +98,7 @@ class Explorer():
|
|||
return False
|
||||
|
||||
def compose_listing_url(self):
|
||||
#TODO
|
||||
#Decide que url hay que componer y la compone
|
||||
raiz = 'https://www.idealista.com/'
|
||||
tipo = #Logica random
|
||||
|
|
@ -105,32 +110,36 @@ class Explorer():
|
|||
return url
|
||||
|
||||
def post_task_to_queue(self, referencia):
|
||||
#TODO
|
||||
#Manda la task a la cola redis
|
||||
|
||||
|
||||
|
||||
class ExploringTask():
|
||||
|
||||
def __init__(self, url):
|
||||
self.creation_date = Datetime.Datetime.now()
|
||||
self.target_url = url
|
||||
self.id = str(uuid.uuid4())
|
||||
self.status = 'Pending'
|
||||
self.update_status('Pending')
|
||||
|
||||
try:
|
||||
self.anunciosdb = get_anunciosdb()
|
||||
except:
|
||||
self.anunciosdb = None
|
||||
print("Could not connect to DB")
|
||||
self.update_status('Unable to connect to anuncios DB')
|
||||
|
||||
try:
|
||||
#TODO
|
||||
#Pendiente de implementar wraper para MongoDB
|
||||
#self.task_log_db = None
|
||||
#self.task_log_db =
|
||||
except:
|
||||
#self.task_log_db = None
|
||||
print("Could not connect to MongoDB")
|
||||
self.update_status('Unable to connect to task log DB')
|
||||
#self.task_log_db = None
|
||||
|
||||
def update_status(self, new_status):
|
||||
self.status = new_status
|
||||
self._log_in_taskdb()
|
||||
|
||||
self.log()
|
||||
|
||||
def is_ready_to_explore(self):
|
||||
if self.anunciosdb is not None and self.task_log_db is not None:
|
||||
|
|
@ -139,47 +148,51 @@ class ExploringTask():
|
|||
return False
|
||||
|
||||
def explore(self):
|
||||
self.attack_date = Datetime.Datetime.now()
|
||||
attack = UrlAttack(self.url)
|
||||
attack.attack()
|
||||
|
||||
if attack.success:
|
||||
|
||||
self.extract_listings(attack.get_text())
|
||||
if self.listings_ok:
|
||||
self.status = 'Success'
|
||||
self._extract_referencias(attack.get_text())
|
||||
if self.new_listings:
|
||||
self.update_status('referencias ready')
|
||||
else:
|
||||
self.status = 'Failure - No listings in HTML'
|
||||
self.update_status('Failure - No listings in HTML')
|
||||
else:
|
||||
self.status = 'Failure - Bad request
|
||||
self.update_status('Failure - Bad request')
|
||||
|
||||
|
||||
self.log()
|
||||
|
||||
def get_referencias(self):
|
||||
return self.referencias
|
||||
|
||||
def log_in_taskdb(self):
|
||||
def _log_in_taskdb(self):
|
||||
#TODO
|
||||
#Funcion que grabe estado y demas en una mongodb o argo azin
|
||||
|
||||
def extract_referencias(self, html):
|
||||
#TODO
|
||||
#Coge el html de una pagina de listado y pilla las referencias.
|
||||
#Si no cae ninguna, se considera un fail
|
||||
#Registra la propiedad listings_ok
|
||||
if self.status == 'Success':
|
||||
soup = BeautifulSoup(self.html, 'html5lib')
|
||||
ads = sopa.find_all(class_ = "item")
|
||||
self.referencias = []
|
||||
|
||||
|
||||
for ad in ads:
|
||||
if self.is_new_listing(ad["data-adid"]):
|
||||
self.referencias.append(ad["data-adid"])
|
||||
def _extract_referencias(self, html):
|
||||
"""
|
||||
Saca referencias de HTML, descarta las que ya exiten en la base de datos
|
||||
de capturas, y guarda si han aparecido listings y si hay alguno nuevo
|
||||
"""
|
||||
|
||||
soup = BeautifulSoup(self.html, 'html5lib')
|
||||
ads = sopa.find_all(class_ = "item")
|
||||
self.referencias = []
|
||||
for ad in ads:
|
||||
if self._is_new_listing(ad["data-adid"]):
|
||||
self.referencias.append(ad["data-adid"])
|
||||
self.new_listings = bool(self.referencias)
|
||||
|
||||
def is_new_listing(self, referencia):
|
||||
def _is_new_listing(self, referencia):
|
||||
#TODO
|
||||
#Comprobar contra base de datos si la referencia existe en base de datos
|
||||
query_statement = """SELECT count(referencia)
|
||||
FROM capturas
|
||||
WHERE referencia = %s"""
|
||||
query_params = (referencia,)
|
||||
cursor_result = self.anunciosdb.query(query_statement, query_params)
|
||||
|
||||
result = cursor_result.fetchone()
|
||||
if result[0] > 0:
|
||||
return False
|
||||
else:
|
||||
return True
|
||||
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue