Created
August 23, 2014 02:49
-
-
Save dmarcelinobr/a0d6ec3a9ebc5d8756ed to your computer and use it in GitHub Desktop.
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
#!/Library/Frameworks/Python.framework/Versions/3.3/bin/python3 | |
# -*- coding: utf-8 -*- | |
from urllib.request import urlopen | |
from bs4 import BeautifulSoup | |
import csv | |
from pymongo import MongoClient | |
from pandas import DataFrame | |
def rodaPesquisa(): | |
client = MongoClient() | |
my_db = client["pesquisas_tse"] | |
my_collection = my_db["pesquisas"] | |
pesquisas_antigas = pesquisasAntigas() | |
lista_ufs = ['BR','AC','AL','AP','AM','BA','CE','DF','ES','GO','MA','MT','MS','MG','PA','PB','PR','PE','PI','RJ','RN','RS','RO','RR','SC','SP','SE','TO'] | |
contador = 1 | |
resultado = [] | |
#para cada estado | |
for uf in lista_ufs: | |
pagina = 1 | |
#limite máximo de páginas, escolhido arbitrariamente | |
while pagina < 10: | |
url = "http://pesqele.tse.jus.br/pesqele/publico/pesquisa/Pesquisa/consultarPesquisasPublica.action?dataFimRegistro=&action:pesquisa/Pesquisa/consultarPesquisasPublica=Consultar&municipioSelecionado=&d-4021255-p="+str(pagina)+"&dataInicioRegistro=&ufSelecionada="+uf+"&pesquisa.numeroProtocolo=&eleicaoSelecionada=3&empresaSelecionadaPublica=" | |
page = BeautifulSoup(urlopen(url).read()) | |
links = page.findAll('a',{'class':'visualizar'}) | |
#se não tiver link nenhum na página, saia do loop | |
if (not links): break | |
#se tiver, escreve no arquivo | |
for link in links: | |
#se o id do link já não estiver no antigo antigo | |
id = link['href'].split("=")[2] | |
if id not in pesquisas_antigas: | |
print(str(contador) + " - " +uf+" - "+link['href']) | |
#scrapeia pagina | |
resultado.append(adicionaPagina(link['href'])) | |
contador +=1 | |
pagina += 1 | |
print(str(contador-1) +" novas pesquisas foram adicionadas ao banco de dados") | |
exportar = DataFrame(resultado) | |
del exportar["_id"] | |
exportar.to_csv("/Users/danielmarcelino/github/Pesquisas TSE/resultado_pesquisas.csv",index=False) | |
def scrape_pagina(url): | |
page = BeautifulSoup(urlopen(url).read()) | |
#pega todo o campo que tem todas as infos, retira apenas as strings e quebra por linha | |
campos_bruto = str(page.findAll('fieldset')[0].getText()) | |
campos_consertando = campos_bruto.split('\n') | |
#retira os characteres /r e /t e os elementos vazios | |
campos_final = [c.replace("\t","").replace("\r","") for c in campos_consertando if (c != "") & (c.replace("\t","").replace("\r","") != "")] | |
categorias = ['Número do protocolo:', | |
'Data de registro:', | |
'Data de divulgação:', | |
'Empresa contratada:', | |
'Eleição:', | |
'Cargo(s):', | |
'Abrangência:', | |
'Contratante:', | |
'Origem dos recursos:', | |
'Pagante do trabalho:', | |
'Valor (R$):', | |
'Estatístico responsável:', | |
'Registro do estatístico no CONRE:', | |
'Registro da empresa no CONRE:', | |
'Data de início:', | |
'Data de término:', | |
'Entrevistados:', | |
'Metodologia de pesquisa:', | |
'Plano amostral e ponderação quanto a sexo, idade, grau de instrução e nível econômico do entrevistado, margem de erro e nível de confiança:', | |
'Sistema interno de controle e verificação, conferência e fiscalização da coleta de dados e do trabalho de campo:', | |
'o pedido de registro será complementado pela entrega destes dados ao Tribunal Eleitoral em um prazo de até 24 horas, contado da divulgação do respectivo resultado):'] | |
traducao = ['protocolo', | |
'data_registro', | |
'data_divulgacao', | |
'empresa', | |
'eleicao', | |
'cargo', | |
'abrangencia', | |
'contratante', | |
'origem_recursos', | |
'pagante', | |
'valor', | |
'estatistico', | |
'registro_estatistico', | |
'registro_empresa:', | |
'data_inicio', | |
'data_termino', | |
'entrevistados', | |
'metodologia', | |
'amostra', | |
'controle', | |
'locais'] | |
#acha o índice das categorias na lista dos campos | |
indices = [i for i,x in enumerate(campos_final) if (x in categorias) & (x != "")] | |
#guarda tudo em um dicionário | |
pesquisa = {} | |
trad = 0 | |
categorias.append("Questionário completo aplicado ou a ser aplicado (formato PDF):") | |
for i in indices: | |
valor = campos_final[i+1].strip() | |
if (valor in categorias): valor = "NA" #checa se existe ou não o dado procurado | |
pesquisa[traducao[trad]] = valor | |
trad +=1 | |
pesquisa["url"] = url | |
pesquisa["uf"] = pesquisa["protocolo"][0:2] | |
#arruma as datas para ficar YY-mm-dd | |
data_termino = pesquisa["data_termino"].split("/") | |
pesquisa["data_termino"] = "20"+data_termino[2]+"-"+data_termino[1]+"-"+data_termino[0] | |
data_registro = pesquisa["data_registro"].split("/") | |
pesquisa["data_registro"] = data_registro[2]+"-"+data_registro[1]+"-"+data_registro[0] | |
data_inicio = pesquisa["data_inicio"].split("/") | |
pesquisa["data_inicio"] = "20"+data_inicio[2]+"-"+data_inicio[1]+"-"+data_inicio[0] | |
data_divulgacao = pesquisa["data_divulgacao"].split("/") | |
pesquisa["data_divulgacao"] = data_divulgacao[2]+"-"+data_divulgacao[1]+"-"+data_divulgacao[0] | |
return pesquisa | |
def pesquisasAntigas(): | |
client = MongoClient() | |
my_db = client["pesquisas_tse"] | |
my_collection = my_db["pesquisas"] | |
resultado = my_collection.find() | |
lista_links = [a["url"] for a in resultado] | |
lista_ids = [l.split("=")[2] for l in lista_links] | |
return lista_ids | |
def adicionaPagina(link): | |
link = "http://pesqele.tse.jus.br/"+link | |
client = MongoClient() | |
my_db = client["pesquisas_tse"] | |
my_collection = my_db["pesquisas"] | |
resultado = scrape_pagina(link) | |
my_collection.insert(resultado) | |
return resultado | |
def consultaPesquisas(): | |
client = MongoClient() | |
my_db = client["pesquisas_tse"] | |
my_collection = my_db["pesquisas"] | |
resultado = [] | |
for a in my_collection.find(): | |
resultado.append(a) | |
print(resultado[1]) | |
exportar = DataFrame(resultado) | |
del exportar["_id"] | |
exportar.to_csv("/Users/danielmarcelino/github/Pesquisas TSE/resultado_pesquisas.csv",index=False) | |
#print(pesquisasAntigas()) | |
rodaPesquisa() | |
#consultaPesquisas() |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment