wikipedia_views/scripts/fetch_daily_views.py

   1 #!/usr/bin/env python3
   2
   3 ###############################################################################
   4 #
   5 # This script assumes the presence of the COVID-19 repo.
   6 #
   7 # It (1) reads in the article list and then (2) calls the Wikimedia API to
   8 # fetch view information for each article. Output is to (3) JSON and TSV.
   9 #
  10 ###############################################################################
  11
  12
  13 import requests
  14 import argparse
  15 import json
  16 import csv
  17 import time
  18 import os.path
  19 import datetime
  20 #import feather
  21
  22
  23
  24 def parse_args():
  25
  26     parser = argparse.ArgumentParser(description='Call the views API repeatedly.')
  27     parser.add_argument('-o', '--output_folder', help='Where to save output', default="../data/", type=str)
  28     parser.add_argument('-i', '--article_file', help='File listing article names', default="../resources/articles.txt", type=str)
  29     parser.add_argument('-d', '--query_date', help='Date if not yesterday, in YYYYMMDD format please.', type=str)
  30     args = parser.parse_args()
  31
  32     return(args)
  33
  34
  35 def main():
  36
  37     args = parse_args()
  38
  39     outputPath = args.output_folder
  40     articleFile = args.article_file
  41
  42     if (args.query_date):
  43         queryDate = args.query_date
  44     else:
  45         yesterday = datetime.datetime.today() - datetime.timedelta(days=1)
  46         queryDate = yesterday.strftime("%Y%m%d")
  47
  48     queryDate = queryDate + "00" #requires specifying hours
  49
  50
  51     articleList = []
  52 #1 Load up the list of article names
  53
  54     with open(articleFile, 'r') as infileHandle:
  55         theInfile = csv.reader(infileHandle)
  56         next(theInfile) #skip header
  57         for currentLine in theInfile:
  58             articleList.append(currentLine)
  59
  60     j_Out = outputPath + "dailyviews" + queryDate + ".json"
  61     t_Out = outputPath + "dailyviews" + queryDate + ".tsv"
  62
  63     j = []
  64
  65     i = 0 #iterator to deal with end of file
  66
  67 #2 Repeatedly call the API with that list of names
  68
  69     for a in articleList:
  70         a = a[0] #destringify
  71         i = i+1
  72         url= "https://wikimedia.org/api/rest_v1/metrics/pageviews/per-article/en.wikipedia/all-access/all-agents/"
  73         url= url + a + "/daily/" + queryDate + "/" + queryDate #for now, single date at a time
  74         response = requests.get(url)
  75         if response.ok:
  76             jd = json.loads(response.content)
  77             j.append(jd["items"][0])
  78             time.sleep(.1)
  79
  80 #3 Save results as a JSON and TSV
  81
  82     #all data in j now, make json file
  83     with open(j_Out, 'w') as j_outfile:
  84         json.dump(j, j_outfile, indent=2)
  85
  86     with open(t_Out, 'w') as t_outfile:
  87         dw = csv.DictWriter(t_outfile, sorted(j[0].keys()), delimiter='\t')
  88         dw.writeheader()
  89         dw.writerows(j)
  90
  91
  92     f_Out = outputPath + "dailyviews" + queryDate + ".feather"
  93     #read the json back in and make a feather file?
  94
  95
  96 if __name__ == "__main__":
  97
  98     main()