Есть у меня код, который выводит парсер с сайта РФФИ. Причем в двух вариациях. Один из них переходит на ссылку конкурса. Другой - извлекает данные из таблиц со страницы "Конкурсы".
import requests
import json
from bs4 import BeautifulSoup
import chardet
import xlsxwriter
import re
from datetime import date, timedelta
PAGES_COUNT = 1
OUT_FILENAME = 'out.json'
import warnings
warnings.filterwarnings("ignore")
def get_soup(url, **kwargs):
response = requests.get(url, **kwargs, verify=False)
if response.status_code == 200:
soup = BeautifulSoup(response.text, features='html.parser')
else:
soup = None
return soup
def crawl_products(pages_count):
urls = []
fmt = 'https://www.rfbr.ru/rffi/ru/contest?CONTEST_STATUS_ID=-1&CONTEST_TYPE=-1&CONTEST_YEAR=-1&page={page}'
for page_n in range(1, 1 + pages_count):
print('page: {}'.format(page_n))
page_url = fmt.format(page=page_n)
soup = get_soup(page_url)
if soup is None:
break
for tag in soup.select('.tr .link'):
href = tag.attrs['href']
url = 'https://www.rfbr.ru/rffi/ru/contest{}'.format(href)
urls.append(url)
return urls
def parse_products(urls):
data = []
for url in urls:
print('product: {}'.format(url))
soup = get_soup(url)
if soup is None:
break
for j in soup.find_all("main", {"class":"template__main"}):
for jj in j.find_all("div", {"class":"sfc l-3 mt-5 mb-10 lh-xl"}):
ja = re.sub(r'[^\x00-\x7f]', r'', str(jj))
jo = re.sub(r'\<[^>]*\>', '', str(ja))
ji = re.sub(r'_', '', str(jo))
ju = re.sub(r' ', '', str(ji))
je = re.sub(r' :', '', str(ju))
jy = je[13:]
amount = jy
rponse = requests.get(url, verify=False)
sp = BeautifulSoup(rponse.text, "lxml")
document = {}
item = {}
dcs = sp(attrs={"class": "list-in article"})
for z in dcs:
document[z.h2.text] = list(z.ol.stripped_strings)
# document[z.h2.text] = tuple(z.ol.stripped_strings)
# в одну строку с разделителем запятая
for z in dcs:
document[z.h2.text] = ', '.join(z.ol.stripped_strings)
try:
article = [l.get_text(strip=True) for l in soup.find_all("p") if l.get_text(strip=True)]
art = str(article).replace("['", '').replace("']", '')
except:
article = [l.get_text(strip=True) for l in soup.find_all("h3") if l.get_text(strip=True)]
art = str(article).replace("['", '').replace("']", '')
for row in soup.select('td'):
cols = row.select('td')
cols = [c.text.strip() for c in cols]
name = [i.get_text(strip=True) for i in soup.find_all("h1") if i.get_text(strip=True)]
ame = str(name).replace("['", '').replace("']", '')
item['Название'] = ame
item['Статус'] = "Заявки не принимаются"
item['Время окончания приема заявок'] = amount
item['Полное описание условий конкурса'] = art
item['Документы'] = document
data.append(item)
return data
def dump_to_json(filename, data, **kwargs):
kwargs.setdefault('ensure_ascii', False)
kwargs.setdefault('indent', 1)
with open(OUT_FILENAME, 'w', encoding="utf-8") as f:
json.dump(data, f, **kwargs)
def main():
urls = crawl_products(PAGES_COUNT)
data = parse_products(urls)
dump_to_json(OUT_FILENAME, data)
with open(OUT_FILENAME, 'w', encoding="utf-8") as f:
json.dump(data, f, ensure_ascii=False, indent=1)
if __name__ == '__main__':
main()
import requests
from bs4 import BeautifulSoup
import re
import os
from urllib.request import urlopen
import json
from urllib.parse import unquote
import warnings
warnings.filterwarnings("ignore")
BASE_URL = 'https://www.rfbr.ru/rffi/ru/contest'
session = requests.Session()
session.headers['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:100.0) Gecko/20100101 Firefox/100.0'
items = []
max_page = 82
for page in range(1, max_page + 1):
url = f'{BASE_URL}/?page={page}' if page > 1 else BASE_URL
print(url)
rs = session.get(url, verify=False)
rs.raise_for_status()
soup = BeautifulSoup(rs.content, 'html.parser')
for item in soup.select('.tr'):
number = [d.get_text(strip=True) for d in item if d.get_text(strip=True)].pop(2)
time = [d.get_text(strip=True) for d in item if d.get_text(strip=True)].pop(3)
title = item.select_one("img").get('alt')
items.append({
'Название': number,
'Статус': title,
'Время окончания приема заявок': time,
})
with open('out2.json', 'w', encoding='utf-8') as f:
json.dump(items, f, indent=4, ensure_ascii=False)
Все эти коды выводят результаты в JSON
Результат первого кода:
[
{
"Название": "Конкурс на лучшие научные проекты фундаментальных исследований в сфере общественно-политических наук, реализуемые молодыми учеными, проводимый совместно РФФИ и ЭИСИ",
"Статус": "Заявки не принимаются",
"Время окончания приема заявок": "15.03.2021 23:59",
"Полное описание условий конкурса": "много текста",
"Документы": {
"Формы заявок": "Форма 4_опн_мол. Содержание проекта, Форма 6_опн. Предварительный бюджет проекта, Форма 1_опн. Данные о проекте, Форма 1en. Данные о проекте на английском языке, Форма 2. Данные о физическом лице, Форма 3. Сведения об Организации",
"Договор и инструкции": "Инструкция по оформлению и отправке отчёта в КИАС РФФИ, Справочная информация для заполнения приложения «Сведения о выплатах, произведенных организацией...», Инструкция по оформлению договора о предоставлении гранта победителю конкурса и реализации научного проекта, Инструкция по оформлению заявки в КИАС РФФИ, Договор о предоставлении гранта победителю конкурса и реализации научного проекта, Инструкция по подтверждению согласия организации",
"Формы отчетов": "Форма 503_опн_мол. Развернутый научный отчет по проекту, Форма 501(итог). Краткий научный отчет, Форма 506(итог). Финансовый отчет, Сведения о выплатах, произведенных организацией (DOCX), Краткая версия отчета о реализации научного проекта (DOCX), Форма 512. Данные о члене коллектива, Форма 511. Возможности практического использования результатов, Форма 509. Публикация по результатам проекта, Форма 502(итог). Краткий научный отчет на английском языке"
}
},
Результат второго кода
[
{
"Название": "Конкурс на лучшие научные проекты фундаментальных исследований в сфере общественно-политических наук, реализуемые молодыми учеными, проводимый совместно РФФИ и ЭИСИ",
"Статус": "Заявки не принимаются",
"Время окончания приема заявок": "15.03.2021 23:59"
},
Вроде бы всё ничего. Но дело в том, что в первом коде массив "Статус" введен вручную. А нужно чтобы он выводил автоматически. То есть, выводил не только значение "Заявки не принимаются", но и "Конкурс завершен", если именно такой статус стоит в таблице. Я пробовал в первый код вставить элементы из второго, которые переключаются сразу на таблицу, а не на страницу того или иного кода. Вроде бы ошибок не было. Но там все время стояло одно и то же значение - "Заявки не принимаются". В иных случаях код просто прекращал работу.
Во втором коде как-раз происходит всё автоматически.
Как правильно перенести элементы из второго кода в первый, чтобы статус конкурса определялся автоматически по таблице?
Ссылки на конкурсы:
Ссылка удалена модератором.
Простой
Простой