first commit
This commit is contained in:
195
GG/cmd/gg/gg.go
Normal file
195
GG/cmd/gg/gg.go
Normal file
@@ -0,0 +1,195 @@
|
||||
package main
|
||||
|
||||
import (
|
||||
"github.com/jbowtie/gokogiri"
|
||||
"github.com/pebbe/util"
|
||||
|
||||
"encoding/xml"
|
||||
"fmt"
|
||||
"io"
|
||||
"net/http"
|
||||
"net/url"
|
||||
"os"
|
||||
"strings"
|
||||
"time"
|
||||
)
|
||||
|
||||
type Rss struct {
|
||||
XMLName xml.Name `xml:"rss"`
|
||||
Items []ItemT `xml:"channel>item"`
|
||||
}
|
||||
|
||||
type ItemT struct {
|
||||
Title string `xml:"title"`
|
||||
PubDate string `xml:"pubDate"`
|
||||
UnixTime int64 `xml:"unixTime"`
|
||||
Guid string `xml:"guid"`
|
||||
Link string `xml:"link"`
|
||||
Data []byte `xml:",innerxml"`
|
||||
}
|
||||
|
||||
var (
|
||||
x = util.CheckErr
|
||||
w = util.WarnErr
|
||||
// agent = "AhrefsBot/7.0"
|
||||
agent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/145.0.0.0 Safari/537.36"
|
||||
)
|
||||
|
||||
func exists(filename string) bool {
|
||||
_, err := os.Stat(filename)
|
||||
return err == nil
|
||||
}
|
||||
|
||||
func fileDate(filename string) string {
|
||||
b, err := os.ReadFile(filename)
|
||||
if err != nil {
|
||||
return ""
|
||||
}
|
||||
s := string(b)
|
||||
i1 := strings.Index(s, "<unixTime>") + 10
|
||||
i2 := strings.Index(s, "</unixTime>")
|
||||
return s[i1:i2]
|
||||
}
|
||||
|
||||
func main() {
|
||||
req, err := http.NewRequest("GET", "https://gemeente.groningen.nl/feed/rss/nieuws", nil)
|
||||
x(err)
|
||||
req.Header.Set("User-Agent", agent)
|
||||
|
||||
client := &http.Client{}
|
||||
resp, err := client.Do(req)
|
||||
x(err)
|
||||
body, err := io.ReadAll(resp.Body)
|
||||
x(err)
|
||||
x(resp.Body.Close())
|
||||
|
||||
var rss Rss
|
||||
x(xml.Unmarshal(body, &rss))
|
||||
|
||||
if len(rss.Items) == 0 {
|
||||
x(fmt.Errorf("len(rss.Items) == 0"))
|
||||
}
|
||||
|
||||
for _, item := range rss.Items {
|
||||
t, err := time.Parse(time.RFC1123Z, item.PubDate)
|
||||
if err != nil {
|
||||
t, err = time.Parse(time.RFC1123, item.PubDate)
|
||||
}
|
||||
x(err)
|
||||
year, week := t.ISOWeek()
|
||||
dirname := fmt.Sprintf("/net/corpora/nlnieuws/GG/%d/%02d", year, week)
|
||||
filename := dirname + "/" + url.PathEscape(item.Guid)
|
||||
|
||||
ts := fmt.Sprintf("%d", t.Unix())
|
||||
needUpdate := fileDate(filename+".xml") != ts
|
||||
|
||||
x(os.MkdirAll(dirname, 0777))
|
||||
fp, err := os.Create(filename + ".xml")
|
||||
x(err)
|
||||
_, err = fp.WriteString("<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<item>\n")
|
||||
x(err)
|
||||
_, err = fmt.Fprintf(fp, "<unixTime>%d</unixTime>", t.Unix())
|
||||
x(err)
|
||||
_, err = fp.Write(item.Data)
|
||||
x(err)
|
||||
_, err = fp.WriteString("</item>\n")
|
||||
x(err)
|
||||
x(fp.Close())
|
||||
x(os.Chtimes(filename+".xml", t, t))
|
||||
if !doArticle(filename, item.Link, item.Title, t, needUpdate) {
|
||||
x(os.Remove(filename + ".xml"))
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
func doArticle(filename string, url string, title string, timestamp time.Time, needUpdate bool) bool {
|
||||
if needUpdate {
|
||||
_ = os.Remove(filename + ".err")
|
||||
_ = os.Remove(filename + ".html")
|
||||
_ = os.Remove(filename + ".txt")
|
||||
_ = os.Remove(filename + ".skip")
|
||||
} else {
|
||||
if exists(filename+".txt") || exists(filename+".skip") {
|
||||
return true
|
||||
}
|
||||
}
|
||||
time.Sleep(2 * time.Second)
|
||||
|
||||
req, err := http.NewRequest("GET", url, nil)
|
||||
x(err)
|
||||
req.Header.Set("User-Agent", agent)
|
||||
|
||||
client := &http.Client{}
|
||||
resp, err := client.Do(req)
|
||||
x(err)
|
||||
body, err := io.ReadAll(resp.Body)
|
||||
x(err)
|
||||
x(resp.Body.Close())
|
||||
|
||||
doc, err := gokogiri.ParseHtml(body)
|
||||
x(err)
|
||||
|
||||
root := doc.Root()
|
||||
|
||||
ell, err := root.Search(
|
||||
`//div[contains(@class,"component-richtext")]/p` +
|
||||
` | ` +
|
||||
`//div[contains(@class,"component-richtext")]/h2`)
|
||||
x(err)
|
||||
if len(ell) == 0 {
|
||||
_ = w(fmt.Errorf("empty: %s", url))
|
||||
|
||||
fp, err := os.Create(filename + ".err")
|
||||
x(err)
|
||||
_, err = fmt.Fprintf(fp, "empty: %s\n", url)
|
||||
x(err)
|
||||
x(fp.Close())
|
||||
x(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||
|
||||
fp, err = os.Create(filename + ".html")
|
||||
x(err)
|
||||
_, err = fp.Write(body)
|
||||
x(err)
|
||||
x(fp.Close())
|
||||
x(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||
|
||||
return false
|
||||
}
|
||||
|
||||
fp, err := os.Create(filename + ".txt")
|
||||
x(err)
|
||||
|
||||
_, err = fp.WriteString(addEnd(title))
|
||||
x(err)
|
||||
|
||||
for _, el := range ell {
|
||||
_, err = fp.WriteString(addEnd(el.Content()))
|
||||
x(err)
|
||||
}
|
||||
|
||||
x(fp.Close())
|
||||
|
||||
x(os.Chtimes(filename+".txt", timestamp, timestamp))
|
||||
|
||||
return true
|
||||
}
|
||||
|
||||
func addEnd(s string) string {
|
||||
s = strings.TrimSpace(s)
|
||||
n := len(s)
|
||||
if n == 0 {
|
||||
return ""
|
||||
}
|
||||
if n > 0 {
|
||||
if strings.ContainsAny(s[n-1:], ".!?") {
|
||||
return s + "\n"
|
||||
}
|
||||
}
|
||||
if n > 1 {
|
||||
s2 := s[n-2:]
|
||||
if s2 == `."` || s2 == `!"` || s2 == `?"` || s2 == `.'` || s2 == `!'` || s2 == `?'` {
|
||||
return s + "\n"
|
||||
}
|
||||
}
|
||||
return s + ".\n"
|
||||
}
|
||||
Reference in New Issue
Block a user