Parool Amsterdam
This commit is contained in:
2
.gitignore
vendored
2
.gitignore
vendored
@@ -21,6 +21,8 @@ NU/nu
|
|||||||
Oog/metadata
|
Oog/metadata
|
||||||
Oog/oog
|
Oog/oog
|
||||||
Oog/xml2txt
|
Oog/xml2txt
|
||||||
|
Parool/metadata
|
||||||
|
Parool/parool
|
||||||
RO/metadata
|
RO/metadata
|
||||||
RO/ro
|
RO/ro
|
||||||
RO/xml2txt
|
RO/xml2txt
|
||||||
|
|||||||
@@ -1,4 +0,0 @@
|
|||||||
all: amsterdam
|
|
||||||
|
|
||||||
% : %.go
|
|
||||||
go build $<
|
|
||||||
@@ -1,200 +0,0 @@
|
|||||||
package main
|
|
||||||
|
|
||||||
import (
|
|
||||||
e "codeberg.org/pebbe/errors"
|
|
||||||
"github.com/jbowtie/gokogiri"
|
|
||||||
|
|
||||||
"encoding/xml"
|
|
||||||
"fmt"
|
|
||||||
"io"
|
|
||||||
"net/http"
|
|
||||||
"net/url"
|
|
||||||
"os"
|
|
||||||
"path/filepath"
|
|
||||||
"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 (
|
|
||||||
p = e.PanicErr
|
|
||||||
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 main() {
|
|
||||||
defer func() {
|
|
||||||
if e.Panicked {
|
|
||||||
_ = recover()
|
|
||||||
os.Exit(1)
|
|
||||||
}
|
|
||||||
}()
|
|
||||||
|
|
||||||
myLock := "/net/corpora/nlnieuws/Amsterdam/lock"
|
|
||||||
mkLock(myLock)
|
|
||||||
defer func() {
|
|
||||||
_ = os.Remove(myLock)
|
|
||||||
}()
|
|
||||||
|
|
||||||
req, err := http.NewRequest("GET", "https://www.amsterdam.nl/nieuws/nieuwsoverzicht/?rss=true", nil)
|
|
||||||
p(err)
|
|
||||||
req.Header.Set("User-Agent", agent)
|
|
||||||
|
|
||||||
client := &http.Client{}
|
|
||||||
resp, err := client.Do(req)
|
|
||||||
p(err)
|
|
||||||
body, err := io.ReadAll(resp.Body)
|
|
||||||
p(err)
|
|
||||||
p(resp.Body.Close())
|
|
||||||
|
|
||||||
var rss Rss
|
|
||||||
p(xml.Unmarshal(body, &rss))
|
|
||||||
|
|
||||||
if len(rss.Items) == 0 {
|
|
||||||
p(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)
|
|
||||||
}
|
|
||||||
p(err)
|
|
||||||
dirname := fmt.Sprintf("/net/corpora/nlnieuws/Amsterdam/%d/%02d", t.Year(), int(t.Month()))
|
|
||||||
if exists(dirname + "/lock") {
|
|
||||||
continue
|
|
||||||
}
|
|
||||||
filename := dirname + "/" + url.PathEscape(strings.TrimPrefix(item.Guid, "https://www.amsterdam.nl/nieuws/"))
|
|
||||||
p(os.MkdirAll(dirname, 0777))
|
|
||||||
func() {
|
|
||||||
var ok bool
|
|
||||||
defer func() {
|
|
||||||
if e.Panicked {
|
|
||||||
fmt.Fprintln(os.Stderr, "----", filename, "----")
|
|
||||||
}
|
|
||||||
if !ok {
|
|
||||||
_ = os.Remove(filename + ".xml")
|
|
||||||
}
|
|
||||||
}()
|
|
||||||
fp, err := os.Create(filename + ".xml")
|
|
||||||
p(err)
|
|
||||||
p(fp.WriteString("<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<item>\n"))
|
|
||||||
p(fmt.Fprintf(fp, "<unixTime>%d</unixTime>", t.Unix()))
|
|
||||||
p(fp.Write(item.Data))
|
|
||||||
p(fp.WriteString("</item>\n"))
|
|
||||||
p(fp.Close())
|
|
||||||
p(os.Chtimes(filename+".xml", t, t))
|
|
||||||
doArticle(filename, item.Link, item.Title, t)
|
|
||||||
ok = true
|
|
||||||
}()
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
func doArticle(filename string, url string, title string, timestamp time.Time) {
|
|
||||||
if exists(filename + ".txt") {
|
|
||||||
return
|
|
||||||
}
|
|
||||||
time.Sleep(2 * time.Second)
|
|
||||||
|
|
||||||
req, err := http.NewRequest("GET", url, nil)
|
|
||||||
p(err)
|
|
||||||
req.Header.Set("User-Agent", agent)
|
|
||||||
|
|
||||||
client := &http.Client{}
|
|
||||||
resp, err := client.Do(req)
|
|
||||||
p(err)
|
|
||||||
body, err := io.ReadAll(resp.Body)
|
|
||||||
p(err)
|
|
||||||
p(resp.Body.Close())
|
|
||||||
|
|
||||||
doc, err := gokogiri.ParseHtml(body)
|
|
||||||
p(err)
|
|
||||||
|
|
||||||
root := doc.Root()
|
|
||||||
|
|
||||||
fp, err := os.Create(filename + ".txt")
|
|
||||||
p(err)
|
|
||||||
|
|
||||||
p(fp.WriteString(addEnd(title)))
|
|
||||||
|
|
||||||
count := 0
|
|
||||||
|
|
||||||
pp, err := root.Search(`//div[@id="zone_intro"]//div[contains(@class, "inleiding")]/p`)
|
|
||||||
p(err)
|
|
||||||
for _, p1 := range pp {
|
|
||||||
p(fp.WriteString(addEnd(p1.Content())))
|
|
||||||
count++
|
|
||||||
}
|
|
||||||
|
|
||||||
ell, err := root.Search(`//div[@id="zone_content"]//div[contains(@class, "tekst")]/child::*`)
|
|
||||||
p(err)
|
|
||||||
for _, el := range ell {
|
|
||||||
if n := el.Name(); n == "p" || n == "h3" {
|
|
||||||
p(fp.WriteString(addEnd(el.Content())))
|
|
||||||
count++
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
p(fp.Close())
|
|
||||||
|
|
||||||
p(os.Chtimes(filename+".txt", timestamp, timestamp))
|
|
||||||
|
|
||||||
if count == 0 {
|
|
||||||
fp, err := os.Create(filename + ".debug.html")
|
|
||||||
p(err)
|
|
||||||
p(fp.Write(body))
|
|
||||||
p(fp.Close())
|
|
||||||
p(os.Chtimes(filename+".debug.html", timestamp, timestamp))
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
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"
|
|
||||||
}
|
|
||||||
|
|
||||||
func mkLock(filename string) {
|
|
||||||
pid := os.Getpid()
|
|
||||||
link := fmt.Sprintf("%s.%d", filepath.Base(filename), pid)
|
|
||||||
p(os.Symlink(link, filename))
|
|
||||||
|
|
||||||
name, err := os.Readlink(filename)
|
|
||||||
p(err)
|
|
||||||
|
|
||||||
if name != link {
|
|
||||||
p(fmt.Errorf("wrong lock name %q, should be %q", name, link))
|
|
||||||
}
|
|
||||||
}
|
|
||||||
1
Makefile
1
Makefile
@@ -9,6 +9,7 @@ all:
|
|||||||
make -C NOS
|
make -C NOS
|
||||||
make -C NU
|
make -C NU
|
||||||
make -C Oog
|
make -C Oog
|
||||||
|
make -C Parool
|
||||||
make -C RO
|
make -C RO
|
||||||
make -C RTVNoord
|
make -C RTVNoord
|
||||||
make -C Sargasso
|
make -C Sargasso
|
||||||
|
|||||||
9
Parool/Makefile
Normal file
9
Parool/Makefile
Normal file
@@ -0,0 +1,9 @@
|
|||||||
|
all: \
|
||||||
|
metadata \
|
||||||
|
parool
|
||||||
|
|
||||||
|
metadata: cmd/metadata/*.go
|
||||||
|
go build -o $@ $^
|
||||||
|
|
||||||
|
parool: cmd/parool/*.go
|
||||||
|
go build -o $@ $^
|
||||||
131
Parool/cmd/metadata/metadata.go
Normal file
131
Parool/cmd/metadata/metadata.go
Normal file
@@ -0,0 +1,131 @@
|
|||||||
|
package main
|
||||||
|
|
||||||
|
import (
|
||||||
|
e "codeberg.org/pebbe/errors"
|
||||||
|
|
||||||
|
"bufio"
|
||||||
|
"encoding/xml"
|
||||||
|
"fmt"
|
||||||
|
"html"
|
||||||
|
"os"
|
||||||
|
"strings"
|
||||||
|
"time"
|
||||||
|
)
|
||||||
|
|
||||||
|
type Item struct {
|
||||||
|
XMLName xml.Name `xml:"item"`
|
||||||
|
UnixTime int64 `xml:"unixTime"`
|
||||||
|
}
|
||||||
|
|
||||||
|
var (
|
||||||
|
x = e.ExitErr
|
||||||
|
escape = html.EscapeString
|
||||||
|
data = make(map[string][]string)
|
||||||
|
location *time.Location
|
||||||
|
)
|
||||||
|
|
||||||
|
func main() {
|
||||||
|
var err error
|
||||||
|
location, err = time.LoadLocation("Europe/Amsterdam")
|
||||||
|
x(err)
|
||||||
|
|
||||||
|
files, err := os.ReadDir(".")
|
||||||
|
x(err)
|
||||||
|
for _, file := range files {
|
||||||
|
filename := file.Name()
|
||||||
|
if strings.HasSuffix(filename, ".txt") {
|
||||||
|
doText("", filename)
|
||||||
|
} else if strings.HasSuffix(filename, ".xml") {
|
||||||
|
doXml("", filename)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
files, err = os.ReadDir("..")
|
||||||
|
x(err)
|
||||||
|
for _, file := range files {
|
||||||
|
filename := file.Name()
|
||||||
|
if strings.HasSuffix(filename, ".txt") {
|
||||||
|
doText("../", filename)
|
||||||
|
} else if strings.HasSuffix(filename, ".xml") {
|
||||||
|
doXml("../", filename)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
files, err = os.ReadDir("xml")
|
||||||
|
x(err)
|
||||||
|
for _, file := range files {
|
||||||
|
filename := file.Name()
|
||||||
|
if !strings.HasSuffix(filename, ".xml") {
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
aa := strings.Split(filename, ".")
|
||||||
|
base := strings.Join(aa[1:len(aa)-2], ".")
|
||||||
|
b, err := os.ReadFile("xml/" + filename)
|
||||||
|
x(err)
|
||||||
|
s := string(b)
|
||||||
|
i := strings.Index(s, "<alpino") + 1
|
||||||
|
i += strings.Index(s[i:], "<")
|
||||||
|
fp, err := os.Create("xml/" + filename + ".tmp")
|
||||||
|
x(err)
|
||||||
|
x(fp.WriteString(s[:i]))
|
||||||
|
x(fp.WriteString("<metadata>\n <meta type=\"text\" name=\"source\" value=\"Parool\"/>\n"))
|
||||||
|
for _, m := range data[base] {
|
||||||
|
x(fp.WriteString(" " + m + "\n"))
|
||||||
|
}
|
||||||
|
x(fp.WriteString(" </metadata>\n "))
|
||||||
|
x(fp.WriteString(stripMeta(s[i:])))
|
||||||
|
x(fp.Close())
|
||||||
|
x(os.Rename("xml/"+filename+".tmp", "xml/"+filename))
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func doText(dirname, filename string) {
|
||||||
|
base := filename[:len(filename)-4]
|
||||||
|
if _, ok := data[base]; !ok {
|
||||||
|
data[base] = make([]string, 0)
|
||||||
|
}
|
||||||
|
fp, err := os.Open(dirname + filename)
|
||||||
|
x(err)
|
||||||
|
defer func() { x(fp.Close()) }()
|
||||||
|
scanner := bufio.NewScanner(fp)
|
||||||
|
for scanner.Scan() {
|
||||||
|
line := scanner.Text()
|
||||||
|
if !strings.HasPrefix(line, "##META") {
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
aa := strings.Fields(line)
|
||||||
|
if len(aa) > 4 {
|
||||||
|
data[base] = append(data[base],
|
||||||
|
fmt.Sprintf(`<meta type="%s" name="%s" value="%s"/>`,
|
||||||
|
aa[1],
|
||||||
|
escape(aa[2]),
|
||||||
|
escape(strings.Join(aa[4:], " "))))
|
||||||
|
}
|
||||||
|
}
|
||||||
|
x(scanner.Err())
|
||||||
|
}
|
||||||
|
|
||||||
|
func doXml(dirname, filename string) {
|
||||||
|
base := filename[:len(filename)-4]
|
||||||
|
if _, ok := data[base]; !ok {
|
||||||
|
data[base] = make([]string, 0)
|
||||||
|
}
|
||||||
|
b, err := os.ReadFile(dirname + filename)
|
||||||
|
x(err)
|
||||||
|
var item Item
|
||||||
|
x(xml.Unmarshal(b, &item))
|
||||||
|
t := time.Unix(item.UnixTime, 0).In(location)
|
||||||
|
data[base] = append(data[base],
|
||||||
|
fmt.Sprintf(`<meta type="date" name="pubdate" value="%d-%02d-%02d"/>`,
|
||||||
|
t.Year(),
|
||||||
|
int(t.Month()),
|
||||||
|
t.Day()))
|
||||||
|
}
|
||||||
|
|
||||||
|
func stripMeta(s string) string {
|
||||||
|
i1 := strings.Index(s, "<metadata>")
|
||||||
|
if i1 < 0 {
|
||||||
|
return s
|
||||||
|
}
|
||||||
|
i2 := i1 + strings.Index(s[i1:], "</metadata>") + 11
|
||||||
|
return s[:i1] + strings.TrimLeft(s[i2:], " \t\r\n")
|
||||||
|
}
|
||||||
318
Parool/cmd/parool/parool.go
Normal file
318
Parool/cmd/parool/parool.go
Normal file
@@ -0,0 +1,318 @@
|
|||||||
|
package main
|
||||||
|
|
||||||
|
import (
|
||||||
|
e "codeberg.org/pebbe/errors"
|
||||||
|
"github.com/jbowtie/gokogiri"
|
||||||
|
|
||||||
|
"encoding/xml"
|
||||||
|
"fmt"
|
||||||
|
"io"
|
||||||
|
"net/http"
|
||||||
|
"net/url"
|
||||||
|
"os"
|
||||||
|
"path/filepath"
|
||||||
|
"strings"
|
||||||
|
"time"
|
||||||
|
)
|
||||||
|
|
||||||
|
type Rss struct {
|
||||||
|
XMLName xml.Name `xml:"rss"`
|
||||||
|
Items []ItemT `xml:"channel>item"`
|
||||||
|
}
|
||||||
|
|
||||||
|
type ItemT struct {
|
||||||
|
PubDate string `xml:"pubDate"`
|
||||||
|
UnixTime int64 `xml:"unixTime"`
|
||||||
|
Guid string `xml:"guid"`
|
||||||
|
Link string `xml:"link"`
|
||||||
|
Data []byte `xml:",innerxml"`
|
||||||
|
}
|
||||||
|
|
||||||
|
var (
|
||||||
|
p = e.PanicErr
|
||||||
|
w = e.WarnErr
|
||||||
|
agent = "AhrefsBot/7.0"
|
||||||
|
)
|
||||||
|
|
||||||
|
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>")
|
||||||
|
if i2 < i1 {
|
||||||
|
return ""
|
||||||
|
}
|
||||||
|
return s[i1:i2]
|
||||||
|
}
|
||||||
|
|
||||||
|
func main() {
|
||||||
|
defer func() {
|
||||||
|
if e.Panicked {
|
||||||
|
_ = recover()
|
||||||
|
os.Exit(1)
|
||||||
|
}
|
||||||
|
}()
|
||||||
|
|
||||||
|
myLock := "/net/corpora/nlnieuws/Parool/lock"
|
||||||
|
mkLock(myLock)
|
||||||
|
defer func() {
|
||||||
|
_ = os.Remove(myLock)
|
||||||
|
}()
|
||||||
|
|
||||||
|
req, err := http.NewRequest("GET", "https://www.parool.nl/amsterdam/rss.xml", nil)
|
||||||
|
p(err)
|
||||||
|
req.Header.Set("User-Agent", agent)
|
||||||
|
|
||||||
|
client := &http.Client{}
|
||||||
|
resp, err := client.Do(req)
|
||||||
|
p(err)
|
||||||
|
body, err := io.ReadAll(resp.Body)
|
||||||
|
p(err)
|
||||||
|
p(resp.Body.Close())
|
||||||
|
|
||||||
|
var rss Rss
|
||||||
|
p(xml.Unmarshal(body, &rss))
|
||||||
|
|
||||||
|
if len(rss.Items) == 0 {
|
||||||
|
p(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)
|
||||||
|
}
|
||||||
|
p(err)
|
||||||
|
year, week := t.ISOWeek()
|
||||||
|
dirname := fmt.Sprintf("/net/corpora/nlnieuws/Parool/%d/%02d", year, week)
|
||||||
|
if exists(dirname + "/lock") {
|
||||||
|
continue
|
||||||
|
}
|
||||||
|
basename := item.Guid
|
||||||
|
filename := dirname + "/" + url.PathEscape(basename)
|
||||||
|
|
||||||
|
ts := fmt.Sprintf("%d", t.Unix())
|
||||||
|
needUpdate := fileDate(filename+".xml") != ts
|
||||||
|
|
||||||
|
p(os.MkdirAll(dirname, 0777))
|
||||||
|
func() {
|
||||||
|
var ok bool
|
||||||
|
defer func() {
|
||||||
|
if e.Panicked {
|
||||||
|
fmt.Fprintln(os.Stderr, "----", filename)
|
||||||
|
fmt.Fprintln(os.Stderr, "----", item.Link)
|
||||||
|
}
|
||||||
|
if !ok {
|
||||||
|
_ = os.Remove(filename + ".xml")
|
||||||
|
}
|
||||||
|
}()
|
||||||
|
fp, err := os.Create(filename + ".xml")
|
||||||
|
p(err)
|
||||||
|
p(fp.WriteString("<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<item>\n"))
|
||||||
|
p(fmt.Fprintf(fp, "<unixTime>%d</unixTime>", t.Unix()))
|
||||||
|
p(fp.Write(item.Data))
|
||||||
|
p(fp.WriteString("</item>\n"))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".xml", t, t))
|
||||||
|
ok = doArticle(filename, item.Link, t, needUpdate)
|
||||||
|
}()
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
func doArticle(filename string, url string, timestamp time.Time, needUpdate bool) (ok bool) {
|
||||||
|
if exists(filename + ".skip") {
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
if needUpdate {
|
||||||
|
_ = os.Remove(filename + ".err")
|
||||||
|
_ = os.Remove(filename + ".html")
|
||||||
|
_ = os.Remove(filename + ".txt")
|
||||||
|
} else {
|
||||||
|
if exists(filename + ".txt") {
|
||||||
|
return true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
time.Sleep(2 * time.Second)
|
||||||
|
|
||||||
|
req, err := http.NewRequest("GET", url, nil)
|
||||||
|
p(err)
|
||||||
|
req.Header.Set("User-Agent", agent)
|
||||||
|
|
||||||
|
client := &http.Client{}
|
||||||
|
resp, err := client.Do(req)
|
||||||
|
p(err)
|
||||||
|
body, err := io.ReadAll(resp.Body)
|
||||||
|
p(err)
|
||||||
|
p(resp.Body.Close())
|
||||||
|
|
||||||
|
doc, err := gokogiri.ParseHtml(body)
|
||||||
|
p(err)
|
||||||
|
|
||||||
|
root := doc.Root()
|
||||||
|
|
||||||
|
articles, err := root.Search(`//article[@id="article-content"]`)
|
||||||
|
p(err)
|
||||||
|
if len(articles) == 0 {
|
||||||
|
_ = w(fmt.Errorf("empty: %s", url))
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".err")
|
||||||
|
p(err)
|
||||||
|
p(fmt.Fprintf(fp, "empty: %s\n", url))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
article := articles[0]
|
||||||
|
|
||||||
|
tags := make([]string, 0)
|
||||||
|
ell, err := article.Search(`//header//*[@data-test-id="article-label"]`)
|
||||||
|
p(err)
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" {
|
||||||
|
tags = append(tags, s)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fouten := make([]string, 0)
|
||||||
|
pars := make([]string, 0)
|
||||||
|
|
||||||
|
ell, err = article.Search(`//header//*[@data-test-id="article-title"]`)
|
||||||
|
p(err)
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" {
|
||||||
|
pars = append(pars, s)
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
found := false
|
||||||
|
ell, err = article.Search(`//header//*[@data-test-id="header-intro"]`)
|
||||||
|
p(err)
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" {
|
||||||
|
pars = append(pars, s)
|
||||||
|
found = true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if !found {
|
||||||
|
fouten = append(fouten, fmt.Sprintf("no heading: %s\n", url))
|
||||||
|
_ = w(fmt.Errorf("no heading: %s", url))
|
||||||
|
}
|
||||||
|
|
||||||
|
specials, err := article.Search(`//section//aside | //section//figure | //section//b`)
|
||||||
|
p(err)
|
||||||
|
for _, special := range specials {
|
||||||
|
special.Remove()
|
||||||
|
}
|
||||||
|
|
||||||
|
found = false
|
||||||
|
ell, err = article.Search(`//section//*[@data-article-element-index]`)
|
||||||
|
p(err)
|
||||||
|
for _, el := range ell {
|
||||||
|
s := strings.TrimSpace(el.Content())
|
||||||
|
if s != "" {
|
||||||
|
pars = append(pars, s)
|
||||||
|
found = true
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if !found {
|
||||||
|
fouten = append(fouten, fmt.Sprintf("no text: %s\n", url))
|
||||||
|
_ = w(fmt.Errorf("no text: %s", url))
|
||||||
|
}
|
||||||
|
|
||||||
|
if len(fouten) > 0 {
|
||||||
|
fp, err := os.Create(filename + ".err")
|
||||||
|
p(err)
|
||||||
|
for _, fout := range fouten {
|
||||||
|
p(fp.WriteString(fout))
|
||||||
|
}
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".err", timestamp, timestamp))
|
||||||
|
|
||||||
|
fp, err = os.Create(filename + ".html")
|
||||||
|
p(err)
|
||||||
|
p(fp.Write(body))
|
||||||
|
p(fp.Close())
|
||||||
|
p(os.Chtimes(filename+".html", timestamp, timestamp))
|
||||||
|
|
||||||
|
return false
|
||||||
|
}
|
||||||
|
|
||||||
|
fp, err := os.Create(filename + ".txt")
|
||||||
|
p(err)
|
||||||
|
|
||||||
|
if len(tags) == 0 {
|
||||||
|
p(fmt.Fprintln(fp, "##META text tag ="))
|
||||||
|
} else {
|
||||||
|
for _, tag := range tags {
|
||||||
|
p(fmt.Fprintf(fp, "##META text tag = %s\n", fixSpace(tag)))
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
for _, par := range pars {
|
||||||
|
p(fp.WriteString(addEnd(fixSpace(par))))
|
||||||
|
}
|
||||||
|
|
||||||
|
p(fp.Close())
|
||||||
|
|
||||||
|
p(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"
|
||||||
|
}
|
||||||
|
}
|
||||||
|
if strings.HasSuffix(s, `.”`) || strings.HasSuffix(s, `!”`) || strings.HasSuffix(s, `?”`) {
|
||||||
|
return s + "\n"
|
||||||
|
}
|
||||||
|
return s + ".\n"
|
||||||
|
}
|
||||||
|
|
||||||
|
func fixSpace(s string) string {
|
||||||
|
return strings.Join(strings.Fields(s), " ")
|
||||||
|
}
|
||||||
|
|
||||||
|
func mkLock(filename string) {
|
||||||
|
pid := os.Getpid()
|
||||||
|
link := fmt.Sprintf("%s.%d", filepath.Base(filename), pid)
|
||||||
|
p(os.Symlink(link, filename))
|
||||||
|
|
||||||
|
name, err := os.Readlink(filename)
|
||||||
|
p(err)
|
||||||
|
|
||||||
|
if name != link {
|
||||||
|
p(fmt.Errorf("wrong lock name %q, should be %q", name, link))
|
||||||
|
}
|
||||||
|
}
|
||||||
66
Parool/txt2corpus.sh
Executable file
66
Parool/txt2corpus.sh
Executable file
@@ -0,0 +1,66 @@
|
|||||||
|
#!/bin/bash
|
||||||
|
|
||||||
|
set -e
|
||||||
|
|
||||||
|
unset CDPATH
|
||||||
|
PATH=/net/corpora/nlnieuws/bin:/net/aps/bin:$PATH
|
||||||
|
export TZ=Europe/Amsterdam
|
||||||
|
. /net/aps/etc/alpino-activate.sh > /dev/null
|
||||||
|
|
||||||
|
if [ "$1" = "" ]
|
||||||
|
then
|
||||||
|
ds=`date -d -7days +%G-%V`
|
||||||
|
else
|
||||||
|
case "$1" in
|
||||||
|
2[0-9][0-9][0-9]-[0-5][0-9])
|
||||||
|
ds=$1
|
||||||
|
;;
|
||||||
|
*)
|
||||||
|
echo INVALID
|
||||||
|
exit 1
|
||||||
|
;;
|
||||||
|
esac
|
||||||
|
fi
|
||||||
|
|
||||||
|
dp=${ds//-//}
|
||||||
|
|
||||||
|
corpus=/net/corpora/nlnieuws/Parool/corpus/$ds
|
||||||
|
|
||||||
|
cd /net/corpora/nlnieuws/Parool/$dp
|
||||||
|
|
||||||
|
ln -s lock.$$ lock
|
||||||
|
if [ "`readlink lock`" != lock.$$ ]
|
||||||
|
then
|
||||||
|
echo Getting lock failed
|
||||||
|
exit 1
|
||||||
|
fi
|
||||||
|
|
||||||
|
rm -fr out
|
||||||
|
mkdir out
|
||||||
|
|
||||||
|
rm -f $corpus.lines
|
||||||
|
for i in *.txt
|
||||||
|
do
|
||||||
|
b=`basename $i .txt`
|
||||||
|
perl -p -e 's/^\s*//; s/^##META.*\n//' $i | tokenize.sh \
|
||||||
|
| perl -e '$n = 0; while(<>) { $n++; print("parool.'$b'.$n|$_"); }' \
|
||||||
|
>> $corpus.lines
|
||||||
|
done
|
||||||
|
|
||||||
|
cd out
|
||||||
|
mkdir xml
|
||||||
|
Alpino -flag treebank xml debug=1 end_hook=xml user_max=900000 -parse < $corpus.lines 2> $corpus.log
|
||||||
|
|
||||||
|
../../../metadata
|
||||||
|
|
||||||
|
cd xml
|
||||||
|
rm -f $corpus.data.dz $corpus.index
|
||||||
|
alto -q -o $corpus.data.dz *.xml
|
||||||
|
|
||||||
|
# telling per bericht, niet per zin
|
||||||
|
/net/corpora/nlnieuws/namen.sh -x T -s $corpus.data.dz > $corpus.tag.txt
|
||||||
|
|
||||||
|
cd ../..
|
||||||
|
rm -fr out
|
||||||
|
|
||||||
|
rm -f lock
|
||||||
@@ -40,7 +40,7 @@ cd /net/corpora/nlnieuws/data
|
|||||||
declare -A parts
|
declare -A parts
|
||||||
#parts[alles]='.'
|
#parts[alles]='.'
|
||||||
parts[algemeen]='NOS|NU|NieuwsNL|RO|Sargasso'
|
parts[algemeen]='NOS|NU|NieuwsNL|RO|Sargasso'
|
||||||
parts[amsterdam]='AT5|BuurtAdam'
|
parts[amsterdam]='AT5|BuurtAdam|Parool'
|
||||||
parts[groningen]='BuurtGrn|GG|Oog|RTVNoord|Sikkom'
|
parts[groningen]='BuurtGrn|GG|Oog|RTVNoord|Sikkom'
|
||||||
parts[literatuur]='LitNL|Tzum'
|
parts[literatuur]='LitNL|Tzum'
|
||||||
parts[vlaanderen]='VRT'
|
parts[vlaanderen]='VRT'
|
||||||
@@ -53,6 +53,7 @@ parts[vlaanderen]='VRT'
|
|||||||
#parts[NU]='NU'
|
#parts[NU]='NU'
|
||||||
#parts[NieuwsNL]='NieuwsNL'
|
#parts[NieuwsNL]='NieuwsNL'
|
||||||
#parts[Oog]='Oog'
|
#parts[Oog]='Oog'
|
||||||
|
#parts[Parool]='Parool'
|
||||||
#parts[RO]='RO'
|
#parts[RO]='RO'
|
||||||
#parts[RTVNoord]='RTVNoord'
|
#parts[RTVNoord]='RTVNoord'
|
||||||
#parts[Sargasso]='Sargasso'
|
#parts[Sargasso]='Sargasso'
|
||||||
|
|||||||
Reference in New Issue
Block a user