wikipedia/scripts/fetch_daily_views.py

   1 #!/usr/bin/env python3
   2 import argparse
   3 import sqlite3
   4 import requests
   5 from datetime import datetime, timedelta
   6 import logging
   7 import digobs
   8 from os import path, mkdir
   9 from functools import partial
  10 from itertools import chain
  11
  12 if __name__ == "__main__":
  13
  14     parser = argparse.ArgumentParser(description="Get a list of pages related to COVID19, pandemic, and SARS-COV2 virus related entities.")
  15     parser.add_argument('-o', '--output_folder', help='Where to save output', default="wikipedia/data", type=str)
  16     parser.add_argument('-L', '--logging_level', help='Logging level. Options are debug, info, warning, error, critical. Default: info.', default='info', type=digobs.get_loglevel)
  17     parser.add_argument('-W', '--logging_destination', help='Logging destination file. (default: standard error)', type=argparse.FileType('a'))
  18     parser.add_argument('-d', '--query_date', help='Date if not yesterday, in YYYYMMDD format.', type=lambda s: datetime.strptime(s, "%Y%m%d"))
  19
  20     parser.add_argument('-i', '--input_file', help="Input a file of page names from the English Wikiproject.", type=argparse.FileType('r'), default='./wikipedia/resources/enwp_wikiproject_covid19_articles.txt')
  21
  22     parser.add_argument('-b', '--input_db', help="Input a path to a sqlite3 database from the real-time-covid-tracker project", type = sqlite3.connect, default='real-time-wiki-covid-tracker/AllWikidataItems.sqlite')
  23
  24     args = parser.parse_args()
  25     conn = args.input_db
  26     conn.row_factory = sqlite3.Row
  27
  28     #handle -d
  29     if args.query_date:
  30         query_date = args.query_date.strftime("%Y%m%d")
  31     else:
  32         yesterday = datetime.today() - timedelta(days=1)
  33         query_date = yesterday.strftime("%Y%m%d")
  34
  35     digobs.init_logging(args)
  36
  37     logging.info(f"Destructively outputting results to {args.output_folder}")
  38
  39     #1 Load up the list of article names
  40
  41     logging.info("loading info from database")
  42     projects = [row['project'] for row in conn.execute("SELECT DISTINCT project from pagesPerProjectTable;").fetchall()]
  43
  44     successes = 0
  45     failures = 0
  46
  47     for project in projects:
  48         project_folder = path.join(args.output_folder, project)
  49         if not path.exists(project.folder):
  50             mkdir(project_folder)
  51
  52         dump_folder = path.join(projct.folder, export_date)
  53         if not path.exists(dump_folder):
  54             mkdir(dump_folder)
  55
  56         logging.info(f"Getting page views for {project}")
  57         rows = conn.execute(f"SELECT DISTINCT page from pagesPerProjectTable WHERE project='{project}';").fetchall()
  58         pages = (row['page'] for row in rows)
  59
  60         # special case for english, we have a wikiproject input file
  61         if project == "en.wikipedia":
  62             pages = chain(pages, map(str.strip,args.input_file))
  63
  64         call_view_api = partial(digobs.call_view_api, project=project, query_date = query_date)
  65
  66         responses = map(call_view_api, pages)
  67
  68         j_outfilename = path.join(j_output_folder, f"digobs_covid19_{project}_dailyviews-{query_date}.json")
  69         t_outfilename = path.join(t_output_folder, f"digobs_covid19_{project}_dailyviews-{query_date}.tsv")
  70
  71         with open(j_outfilename, 'w') as j_outfile, \
  72              open(t_outfilename, 'w') as t_outfile:
  73
  74             proj_successes, proj_failures = digobs.process_view_responses(responses, j_outfile, t_outfile, logging)
  75         logging.info(f"(Processed {proj_successes} successes and {proj_failures} for {project}")
  76         successes = proj_successes + successes
  77         failures = proj_failures + failures
  78
  79     conn.close()
  80     # f_Out = outputPath + "dailyviews" + query_date + ".feather"
  81     # read the json back in and make a feather file?
  82     logging.debug(f"Run complete at {datetime.now()}")
  83     logging.info(f"Processed {successes} successful URLs and {failures} failures.")
  84
  85