mirror of
https://github.com/ada-dmitry/CourseWork_IRFM.git
synced 2026-09-24 01:10:18 +00:00
281 lines
11 KiB
Python
281 lines
11 KiB
Python
import re
|
||
import time
|
||
from urllib.parse import urljoin, urldefrag, urlparse
|
||
|
||
from lxml import html
|
||
|
||
from modules.loader import download_html
|
||
|
||
|
||
START_URL = "https://www.consultant.ru/document/cons_doc_LAW_10699/" # Базовый адрес УК РФ (откуда мы начинаем обход)
|
||
FIRST_ARTICLE_URL = START_URL + "e8ecf933c52a85d9223094e0e7fbf52f0128d399/" # Первая статья (для детерминированности обхода)
|
||
|
||
ARTICLE_RE = re.compile(r"^\s*(?:УК РФ,?\s+)?Статья\s+\d+(?:\.\d+)?\.", re.IGNORECASE)
|
||
STRUCTURE_PREFIX_RE = re.compile(r"^\s*(?:\d+(?:\.\d+)*|[а-яё])[\.)]\s+", re.IGNORECASE)
|
||
SPACE_RE = re.compile(r"[ \t\r\f\v]+")
|
||
|
||
|
||
def normalize_url(base_url: str, href: str) -> str:
|
||
"""
|
||
Преобразует относительный href в абсолютный URL и отрезает фрагмент (#...).
|
||
"""
|
||
url = urljoin(base_url, href)
|
||
url, _ = urldefrag(url)
|
||
return url
|
||
|
||
|
||
def document_prefix(url: str) -> str:
|
||
"""
|
||
Возвращает двухуровневый префикс пути URL — например /document/cons_doc_LAW_10699/.
|
||
|
||
Используется для проверки, что ссылка ведёт в тот же документ.
|
||
"""
|
||
parts = [part for part in urlparse(url).path.split("/") if part]
|
||
return f"/{parts[0]}/{parts[1]}/"
|
||
|
||
|
||
def is_same_document(url: str, prefix: str) -> bool:
|
||
"""
|
||
Проверяет, что URL принадлежит тому же документу на consultant.ru.
|
||
"""
|
||
parsed = urlparse(url)
|
||
return parsed.netloc in {"", "consultant.ru", "www.consultant.ru"} and parsed.path.startswith(prefix)
|
||
|
||
|
||
def download_document_page(url: str, allow_partial: bool = False) -> str:
|
||
"""
|
||
Загружает страницу документа, повторяя запрос с возрастающими таймаутами (8, 30, 30 с).
|
||
|
||
По умолчанию считает страницу полной только если HTML заканчивается тегом </html>.
|
||
allow_partial=True отключает эту проверку (нужно для индексной страницы, которая может
|
||
грузиться медленно). Между попытками — пауза 0.5 с.
|
||
"""
|
||
last_html = ""
|
||
|
||
for timeout in (8, 15, 30):
|
||
try:
|
||
page_html = download_html(url, retries=1, timeout=timeout)
|
||
except RuntimeError:
|
||
time.sleep(0.5)
|
||
continue
|
||
|
||
if allow_partial or "</html>" in page_html[-100:].lower():
|
||
return page_html
|
||
|
||
last_html = page_html
|
||
time.sleep(0.5)
|
||
|
||
if last_html:
|
||
return last_html
|
||
|
||
raise RuntimeError(f"Failed to download page: {url}")
|
||
|
||
|
||
def clean_text(text: str) -> str:
|
||
"""
|
||
Нормализует пробелы и срезает нумерационные префиксы вида «1. », «а) », «2.1 ».
|
||
"""
|
||
text = text.replace("\xa0", " ")
|
||
text = SPACE_RE.sub(" ", text)
|
||
text = STRUCTURE_PREFIX_RE.sub("", text)
|
||
return text.strip()
|
||
|
||
|
||
def main_content(tree):
|
||
"""
|
||
Возвращает корневой div.document-page__content или None, если он не найден.
|
||
"""
|
||
nodes = tree.xpath("//div[contains(concat(' ', normalize-space(@class), ' '), ' document-page__content ')]")
|
||
return nodes[0] if nodes else None
|
||
|
||
|
||
def article_title(tree) -> str:
|
||
"""
|
||
Извлекает заголовок статьи: сначала ищет <h1>, fallback — первый div.doc-style.
|
||
"""
|
||
content = main_content(tree)
|
||
if content is None:
|
||
return ""
|
||
|
||
h1 = content.xpath(".//h1")
|
||
if h1:
|
||
text = clean_text(h1[0].text_content())
|
||
if text:
|
||
return text
|
||
|
||
styles = content.xpath(".//div[contains(concat(' ', normalize-space(@class), ' '), ' doc-style ')]")
|
||
return clean_text(styles[0].text_content()) if styles else ""
|
||
|
||
|
||
def service_line(line: str) -> bool:
|
||
"""
|
||
Возвращает True для редакционных пометок и реквизитов, которые не нужны в тексте.
|
||
|
||
Фильтрует: пометки «(в ред. ФЗ ...)», «(введён ...)», «(см. текст ...)»,
|
||
подпись президента, дату подписания и номер закона вида «N 63-ФЗ».
|
||
"""
|
||
low = line.lower()
|
||
|
||
if low.startswith("(см. текст") or low.startswith("(в ред.") or low.startswith("(введен"):
|
||
return True
|
||
if low.startswith("(част") and ("в ред." in low or "введен" in low):
|
||
return True
|
||
if "федеральн" in low and any(word in low for word in ("ред.", "введен", "утратил")):
|
||
return True
|
||
if low in {"президент", "российской федерации", "б.ельцин", "москва, кремль"}:
|
||
return True
|
||
if re.fullmatch(r"\d{1,2}\s+[а-яё]+\s+\d{4}\s+года", low):
|
||
return True
|
||
if re.fullmatch(r"n\s+\d+\s*-\s*фз", low):
|
||
return True
|
||
|
||
return False
|
||
|
||
|
||
def extract_page_text(tree) -> str:
|
||
"""
|
||
Извлекает смысловой текст статьи из HTML-дерева.
|
||
|
||
Перед сбором абзацев удаляет из дерева заголовок (h1), блоки doc-style,
|
||
doc-insert и doc-roll (вставки, примечания, раскрывающиеся блоки), чтобы
|
||
их текст не попал в результат. Затем собирает все <p>, фильтрует служебные
|
||
строки через service_line() и возвращает текст через \n.
|
||
"""
|
||
content = main_content(tree)
|
||
if content is None:
|
||
return ""
|
||
|
||
for node in content.xpath(
|
||
".//h1"
|
||
" | .//div[contains(concat(' ', normalize-space(@class), ' '), ' doc-style ')]"
|
||
" | .//div[contains(concat(' ', normalize-space(@class), ' '), ' doc-insert ')]"
|
||
" | .//div[contains(concat(' ', normalize-space(@class), ' '), ' doc-roll ')]"
|
||
):
|
||
node.getparent().remove(node)
|
||
|
||
lines = []
|
||
for p in content.xpath(".//p"):
|
||
line = clean_text(p.text_content())
|
||
if line and not service_line(line):
|
||
lines.append(line)
|
||
|
||
return "\n".join(lines)
|
||
|
||
|
||
def extract_article_urls(tree, base_url: str) -> list[str]:
|
||
"""
|
||
Собирает ссылки на статьи со страницы — те, чей текст совпадает с ARTICLE_RE.
|
||
|
||
Возвращает список уникальных URL в порядке появления на странице.
|
||
Внешние ссылки (не на тот же документ) отбрасываются.
|
||
"""
|
||
prefix = document_prefix(base_url)
|
||
result = []
|
||
|
||
for link in tree.xpath("//a[@href]"):
|
||
text = clean_text(link.text_content())
|
||
url = normalize_url(base_url, link.attrib["href"])
|
||
if ARTICLE_RE.match(text) and is_same_document(url, prefix) and url not in result:
|
||
result.append(url)
|
||
|
||
return result
|
||
|
||
|
||
def extract_next_document_url(tree, base_url: str) -> str | None:
|
||
"""
|
||
Возвращает URL следующей страницы через кнопку-стрелку pages__right, или None.
|
||
"""
|
||
prefix = document_prefix(base_url)
|
||
links = tree.xpath("//a[contains(concat(' ', normalize-space(@class), ' '), ' pages__right ')][@href]")
|
||
if not links:
|
||
return None
|
||
|
||
url = normalize_url(base_url, links[0].attrib["href"])
|
||
return url if is_same_document(url, prefix) else None
|
||
|
||
|
||
def next_known_article(current_url: str, known_urls: list[str], visited: set[str]) -> str | None:
|
||
"""
|
||
Находит следующую непосещённую статью из known_urls после current_url.
|
||
|
||
Используется как fallback, когда страница не содержит кнопки pages__right —
|
||
например, когда статья занимает ровно одну страницу и стрелки нет.
|
||
"""
|
||
if current_url not in known_urls:
|
||
return None
|
||
|
||
current_index = known_urls.index(current_url)
|
||
for url in known_urls[current_index + 1:]:
|
||
if url not in visited:
|
||
return url
|
||
|
||
return None
|
||
|
||
|
||
def add_known_urls(known_urls: list[str], urls: list[str]) -> None:
|
||
"""
|
||
Добавляет новые URL в known_urls, не нарушая порядок и без дублей."""
|
||
for url in urls:
|
||
if url not in known_urls:
|
||
known_urls.append(url)
|
||
|
||
|
||
def crawl_document(start_url: str = START_URL, max_pages: int = 800) -> list[dict]:
|
||
"""
|
||
Обходит документ УК РФ и возвращает список статей.
|
||
|
||
Алгоритм:
|
||
1. Загружает индексную страницу и собирает ссылки на все статьи (known_urls).
|
||
2. Начинает с первой статьи и идёт по ним в порядке оглавления.
|
||
3. На каждой странице:
|
||
- добавляет найденные ссылки на статьи в known_urls;
|
||
- если заголовок — статья, сохраняет текст;
|
||
- переходит на следующую страницу через pages__right или next_known_article().
|
||
4. Останавливается на «Статья 361.» (последняя статья УК), по лимиту max_pages
|
||
или если следующий URL недоступен.
|
||
|
||
Возвращает list[dict] с ключами: url, title, text.
|
||
"""
|
||
pages = []
|
||
visited = set()
|
||
known_urls = []
|
||
|
||
try:
|
||
start_html = download_document_page(start_url, allow_partial=True)
|
||
add_known_urls(known_urls, extract_article_urls(html.fromstring(start_html), start_url))
|
||
current_url = known_urls[0] if known_urls else FIRST_ARTICLE_URL
|
||
except RuntimeError as exc:
|
||
print(f"[crawler] start page is unavailable: {exc}")
|
||
current_url = FIRST_ARTICLE_URL
|
||
add_known_urls(known_urls, [FIRST_ARTICLE_URL])
|
||
|
||
while current_url and current_url not in visited and len(visited) < max_pages:
|
||
visited.add(current_url)
|
||
|
||
try:
|
||
page_html = download_document_page(current_url)
|
||
except RuntimeError as exc:
|
||
print(f"[crawler] skip page {current_url}: {exc}")
|
||
break
|
||
|
||
tree = html.fromstring(page_html)
|
||
title = article_title(tree)
|
||
article_urls = extract_article_urls(tree, current_url)
|
||
next_url = extract_next_document_url(tree, current_url)
|
||
|
||
add_known_urls(known_urls, article_urls)
|
||
|
||
if ARTICLE_RE.match(title):
|
||
text = extract_page_text(tree)
|
||
if text:
|
||
pages.append({"url": current_url, "title": title, "text": text})
|
||
|
||
if "Статья 361." in title:
|
||
break
|
||
|
||
if next_url is None:
|
||
next_url = next_known_article(current_url, known_urls, visited)
|
||
current_url = next_url
|
||
|
||
return pages
|