wikipedia/scripts/wikiproject_scraper.py

   1 #!/usr/bin/env python3
   2
   3 ###############################################################################
   4 #
   5 # This script scrapes the Covid-19 Wikiproject
   6 #
   7 # It (1) hits the fcgi to find out how many rounds. Then (2) hit the fcgi
   8 # that many rounds, cooking that information down to just a list of article names and
   9 # then (3) saves it out.
  10 #
  11 # At time of writing:
  12 # the fCGI returns only 1000 max, no matter what you put in the limit. page 1 looks like this....
  13 # https://tools.wmflabs.org/enwp10/cgi-bin/list2.fcgi?run=yes&projecta=COVID-19&namespace=&pagename=&quality=&importance=&score=&limit=1000&offset=1&sorta=Importance&sortb=Quality
  14 #
  15 # and page 2 looks like this
  16 # https://tools.wmflabs.org/enwp10/cgi-bin/list2.fcgi?namespace=&run=yes&projecta=COVID-19&score=&sorta=Importance&importance=&limit=1000&pagename=&quality=&sortb=Quality&&offset=1001
  17 #
  18 ###############################################################################
  19
  20 import argparse
  21 import subprocess
  22 import requests
  23 import datetime
  24 import logging
  25 import re
  26 import math
  27 from bs4 import BeautifulSoup
  28
  29 def parse_args():
  30
  31     parser = argparse.ArgumentParser(description='Get a list of pages tracked by the COVID-19 Wikiproject.')
  32     parser.add_argument('-o', '--output_file', help='Where to save output', default="wikipedia/resources/enwp_wikiproject_covid19_articles.txt", type=str)
  33     parser.add_argument('-L', '--logging_level', help='Logging level. Options are debug, info, warning, error, critical. Default: info.', default='info'),
  34     parser.add_argument('-W', '--logging_destination', help='Logging destination file. (default: standard error)', type=str),
  35     args = parser.parse_args()
  36
  37     return(args)
  38
  39 def main():
  40
  41     args = parse_args()
  42     outputFile = args.output_file
  43
  44     #handle -L
  45     loglevel_mapping = { 'debug' : logging.DEBUG,
  46                          'info' : logging.INFO,
  47                          'warning' : logging.WARNING,
  48                          'error' : logging.ERROR,
  49                          'critical' : logging.CRITICAL }
  50
  51     if args.logging_level in loglevel_mapping:
  52         loglevel = loglevel_mapping[args.logging_level]
  53     else:
  54         print("Choose a valid log level: debug, info, warning, error, or critical")
  55         exit
  56
  57     #handle -W
  58     if args.logging_destination:
  59         logging.basicConfig(filename=args.logging_destination, filemode='a', level=loglevel)
  60     else:
  61         logging.basicConfig(level=loglevel)
  62
  63     export_git_hash = subprocess.check_output(['git', 'rev-parse', 'HEAD']).decode().strip()
  64     export_git_short_hash = subprocess.check_output(['git', 'rev-parse', '--short', 'HEAD']).decode().strip()
  65     export_time = str(datetime.datetime.now())
  66
  67     logging.info(f"Starting at {export_time} and destructively outputting article list to {outputFile}.")
  68     logging.info(f"Last commit: {export_git_hash}")
  69
  70     #1 How many hits to the fcgi?
  71     session = requests.Session()
  72
  73     originalURL = "https://tools.wmflabs.org/enwp10/cgi-bin/list2.fcgi?run=yes&projecta=COVID-19&namespace=&pagename=&quality=&importance=&score=&limit=1000&offset=1&sorta=Importance&sortb=Quality"
  74     headURL = "https://tools.wmflabs.org/enwp10/cgi-bin/list2.fcgi?run=yes&projecta=COVID-19&namespace=&pagename=&quality=&importance=&score=&limit=1000&offset="
  75     tailURL = "&sorta=Importance&sortb=Quality" #head + offset + tail = original when offset = 1
  76
  77     # find out how many results we have
  78     response = session.get(originalURL)
  79
  80     soup = BeautifulSoup(response.text, features="html.parser")
  81     nodes = soup.find_all('div', class_="navbox")
  82     rx = re.compile("Total results:\D*(\d+)")
  83     m = rx.search(nodes[0].get_text())
  84     #print(nodes[0].get_text())
  85     numResults = int(m.group(1))
  86
  87     logging.debug(f"fcgi returned {numResults}")
  88     rounds = math.ceil(numResults/1000)
  89
  90     #2 Fetch and parse down to just the article names
  91     articleNames = []
  92
  93     for i in range(1, rounds+1):
  94         offset = (i - 1)*1000 + 1 #offset is 1, then 1001, then 2001
  95         url = f"{headURL}{offset}{tailURL}"
  96         response = session.get(url)
  97         soup = BeautifulSoup(response.text, features="html.parser") #make fresh soup
  98         article_rows = soup.find_all('tr', class_="list-odd") #just the odds first
  99         for row in article_rows:
 100             a = row.find('a')
 101             articleNames.append(a.get_text())
 102         article_rows = soup.find_all('tr', class_="list-even") #now the events
 103         for row in article_rows:
 104             a = row.find('a')
 105             articleNames.append(a.get_text())
 106
 107     #3 Saves the list to a file
 108
 109     with open(outputFile, 'w') as f:
 110         f.write('\n'.join(articleNames)+'\n')
 111     logging.debug(f"Finished scrape and made a new article file at {datetime.datetime.now()}")
 112
 113
 114 if __name__ == "__main__":
 115
 116     main()
 117