-
Notifications
You must be signed in to change notification settings - Fork 0
/
extraiURLs.py
262 lines (204 loc) · 10.7 KB
/
extraiURLs.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
'''
Autor: Luiz Fernando Antonelli Galati
'''
'''
Este código lê uma base de processos judiciais (documentos HTML) de Tribunais Regionais Eleitorais e imprime, numa
planilha .xlsx, todas as URLs contidas nesses processos, juntamente com os contextos (trechos de texto) e os documentos
específicos em que essas URLs aparecem. A base está organizada da seguinte maneira: os documentos de um mesmo processo
estão reunidos em uma pasta cujo nome é o código desse processo; as pastas dos processos de um determinado TRE estão
reunidas em uma pasta cujo nome especifica o TRE (jurisdição) em questão; as pastas de cada um dos TREs (jurisdições)
estão reunidas em uma única grande pasta.
O formato de impressão é o seguinte:
Código do processo | Jurisdição | URL | Contexto | Documento
'''
# -*- coding: utf-8 -*-
import os
import time
import re
import xlsxwriter
from urllib.request import urlopen
from bs4 import BeautifulSoup
linhaBlacklist = 1
''' Escreve um cabeçalho na planilha "planilha" '''
def escreveCabecalho (planilha):
planilha.write (0, 0, "CNJ")
planilha.write (0, 1, "Jurisdição")
planilha.write (0, 2, "URL")
planilha.write (0, 3, "contexto_1")
planilha.write (0, 4, "documento_1")
planilha.write (0, 5, "contexto_2")
planilha.write (0, 6, "documento_2")
planilha.write (0, 7, "contexto_3")
planilha.write (0, 8, "documento_3")
planilha.write (0, 9, "contexto_4")
planilha.write (0, 10, "documento_4")
planilha.write (0, 11, "contexto_5")
planilha.write (0, 12, "documento_5")
''' Recebe uma URL, contexto "texto" e verifica se a estrutura URL + texto está na lista "lista_estruturas_processo".
Retorna 1 se ele estiver e 0 caso contrário. '''
def estruturaNaLista (URL, texto, lista_estruturas_impressas):
i = 0
while (i < len (lista_estruturas_impressas)):
if (URL == lista_estruturas_impressas[i][0] and texto == lista_estruturas_impressas[i][1]):
return 1
i = i + 1
return 0
''' Recebe o caminho da pasta de um processo e retorna a lista de links desse processo. '''
def montaListaLinksProcesso (caminhoProcesso):
listaArquivos = os.listdir (caminhoProcesso)
listaArquivos.sort ()
lista_links_processo = []
for k in range (len (listaArquivos)):
caminhoArquivoAtual = caminhoProcesso + "/" + listaArquivos[k]
html = urlopen ("file:///" + caminhoArquivoAtual)
res = BeautifulSoup (html.read (), "html5lib")
for paragrafo in res.findAll ("p"):
texto = paragrafo.text
lista_links_paragrafo = re.findall (r"http[^ ,\n^()\"]*|www[^ ,\n()\"]*|[\w@]*\.com[^ ,\n()\"]*", texto)
lista_links_processo = lista_links_processo + lista_links_paragrafo
return lista_links_processo
''' Recebe uma lista de links "lista_links_processo" e retorna uma nova lista
"novaLista" que não contém nem links PJE, nem links TRE . '''
def eliminaPJEeTRE (lista_links_processo, novaPlanilha2):
global linhaBlacklist
i = 0
novaLista = []
global linhaBlacklist
while (i < len (lista_links_processo)):
if (lista_links_processo[i].__contains__("pje.") == 1 or lista_links_processo[i].__contains__("tre.") == 1):
novaPlanilha2.write (linhaBlacklist, 0, lista_links_processo[i])
linhaBlacklist = linhaBlacklist + 1
else:
novaLista.append (lista_links_processo[i])
i = i + 1
return novaLista
''' Recebe uma lista de links "lista_links_processo" e retorna uma nova lista
"novaLista" que não contém links que possuam @ . '''
def eliminaArroba (lista_links_processo, novaPlanilha2):
global linhaBlacklist
i = 0
novaLista = []
while (i < len (lista_links_processo)):
if (lista_links_processo[i].__contains__("@") == 1):
novaPlanilha2.write (linhaBlacklist, 0, lista_links_processo[i])
linhaBlacklist = linhaBlacklist + 1
else:
novaLista.append (lista_links_processo[i])
i = i + 1
return novaLista
''' Recebe uma lista de links "lista_links_processo" e retorna uma nova lista
"novaLista" que contém os links da lista de entrada sem os seguintes sinais
gráficos no final: ponto (.), ponto-e-vírgula (;), aspas simples ('),
aspas duplas ("), sinal de maior (>), espaço ( ) e sinal de fecha colchetes (]).
'''
def eliminaSinais (lista_links_processo):
i = 0
novaLista = []
while (i < len (lista_links_processo)):
string = lista_links_processo[i]
while (string[len (string) - 1] == "." or string[len (string) - 1] == ";" or string[len (string) - 1] == "'" or string[len (string) - 1] == "\"" or string[len (string) - 1] == "/" or string[len (string) - 1] == ">" or string[len (string) - 1] == ' ' or string[len (string) - 1] == "]"):
novoTam = len (string) - 1
string = string[0:novoTam]
novaLista.append (string)
i = i + 1
return novaLista
''' Recebe uma lista de links "lista_links_processo" e retorna uma nova lista "novaLista"
que não contém links que possuam "br.com.infox.cliente.home.ProcessoTrfHome" . '''
def eliminaInfox (lista_links_processo, novaPlanilha2):
global linhaBlacklist
i = 0
novaLista = []
while (i < len (lista_links_processo)):
if (lista_links_processo[i].__contains__("br.com.infox.cliente.home.ProcessoTrfHome") == 1):
novaPlanilha2.write (linhaBlacklist, 0, lista_links_processo[i])
linhaBlacklist = linhaBlacklist + 1
else:
novaLista.append (lista_links_processo[i])
i = i + 1
return novaLista
''' Recebe uma lista de links de um processo e elimina dela todos os links repetidos.
'''
def eliminaRepeticoes (lista_links_processo):
tam = len (lista_links_processo)
i = 0
while (i < tam - 1):
j = i + 1
while (j < tam):
if (lista_links_processo[i] == lista_links_processo[j]):
# desloca todo mundo
k = j + 1
while (k < tam):
lista_links_processo[k-1] = lista_links_processo[k]
k = k + 1
tam = tam - 1
else:
j = j + 1
i = i + 1
return tam
def main ():
camDirAtual = os.getcwd ()
camDirJurisdicoes = camDirAtual + "/Decisoes"
novoArquivo = xlsxwriter.Workbook ("URLs.xlsx", {'strings_to_urls': False})
novaPlanilha = novoArquivo.add_worksheet ("URLs")
escreveCabecalho (novaPlanilha)
novoArquivo2 = xlsxwriter.Workbook ("descarte.xlsx", {'strings_to_urls': False})
novaPlanilha2 = novoArquivo2.add_worksheet ("descarte")
ultimaLinhaImpressa = 0
''' Jurisdições '''
listaJurisdicoes = os.listdir (camDirJurisdicoes)
listaJurisdicoes.sort ()
for i in range (len (listaJurisdicoes)):
caminhoJurisdicaoAtual = camDirJurisdicoes + "/" + listaJurisdicoes[i]
''' Números de processos '''
listaProcessos = os.listdir (caminhoJurisdicaoAtual)
listaProcessos.sort ()
for j in range (len (listaProcessos)):
caminhoProcessoAtual = caminhoJurisdicaoAtual + "/" + listaProcessos[j]
lista_links_processo = montaListaLinksProcesso (caminhoProcessoAtual)
lista_links_processo = eliminaPJEeTRE (lista_links_processo, novaPlanilha2)
lista_links_processo = eliminaArroba (lista_links_processo, novaPlanilha2)
lista_links_processo = eliminaSinais (lista_links_processo)
lista_links_processo = eliminaInfox (lista_links_processo, novaPlanilha2)
tamListaLinksProcesso = eliminaRepeticoes (lista_links_processo)
if (tamListaLinksProcesso == 0):
novaPlanilha.write (ultimaLinhaImpressa + 1, 0, listaProcessos[j])
novaPlanilha.write (ultimaLinhaImpressa + 1, 1, listaJurisdicoes[i])
novaPlanilha.write (ultimaLinhaImpressa + 1, 2, "URLs não encontradas")
ultimaLinhaImpressa = ultimaLinhaImpressa + 1
else:
lista_estruturas_impressas = []
lugaresDeImpressao = []
cont = 0
while (cont < tamListaLinksProcesso):
lugaresDeImpressao.append (3)
cont = cont + 1
cont = 0
while (cont < tamListaLinksProcesso):
novaPlanilha.write (ultimaLinhaImpressa + cont + 1, 0, listaProcessos[j])
novaPlanilha.write (ultimaLinhaImpressa + cont + 1, 1, listaJurisdicoes[i])
novaPlanilha.write (ultimaLinhaImpressa + cont + 1, 2, lista_links_processo[cont])
cont = cont + 1
''' Arquivos do processo '''
listaArquivos = os.listdir (caminhoProcessoAtual)
listaArquivos.sort ()
for k in range (len (listaArquivos)):
caminhoArquivoAtual = caminhoProcessoAtual + "/" + listaArquivos[k]
html = urlopen ("file:///" + caminhoArquivoAtual)
res = BeautifulSoup (html.read (), "html5lib")
textoAnt = ""
for paragrafo in res.findAll ("p"):
texto = paragrafo.text
cont = 0
while (cont < tamListaLinksProcesso):
if (texto.__contains__(lista_links_processo[cont]) and estruturaNaLista (lista_links_processo[cont], texto, lista_estruturas_impressas) == 0):
# escrita no arquivo
novaPlanilha.write (ultimaLinhaImpressa + cont + 1, lugaresDeImpressao[cont], textoAnt + texto)
novaPlanilha.write (ultimaLinhaImpressa + cont + 1, lugaresDeImpressao[cont] + 1, listaArquivos[k])
lugaresDeImpressao[cont] = lugaresDeImpressao[cont] + 2
lista_estruturas_impressas.append ([lista_links_processo[cont], texto])
cont = cont + 1
textoAnt = texto
ultimaLinhaImpressa = ultimaLinhaImpressa + tamListaLinksProcesso
novoArquivo.close ()
novoArquivo2.close ()
main ()