-
Notifications
You must be signed in to change notification settings - Fork 0
/
cscrawler.py
436 lines (358 loc) · 13.7 KB
/
cscrawler.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
# -*- coding: cp1252 -*-
import urlparse
import urllib2
import cookielib
import urllib
import requests
import re
import mechanize
from mechanize._opener import urlopen
from mechanize._form import ParseResponse
import bs4
import time
import psycopg2
import sys
from db import *
import datetime
from datetime import date
Soup = bs4.BeautifulSoup
URLFB = "https://www.facebook.com"
URLCS = "https://www.couchsurfing.org"
USERNAME = 'username'
PASSWORD = 'password'
MAX = 100000000
#lista persone da visitare
tovisit = []
#dizionario persone visitate
visited = {}
#connessione al database
con = None
con = connect('','','')
create_table(con)
#recupera la lista degli utenti da visitare
data = restore(con)
#popola la lista tovisit
if data:
#ripristina la sessione precedente
print 'restoring previous session...'
for link in data :
tovisit.append(link[0])
print 'session restored'
else :
#inizia a popolare la lista delle persone da visitare
url = "https://www.couchsurfing.org/search/in/everywhere/mode/L"
page = urllib2.urlopen(url)
lista_primi = Soup(page.read())
#prende i link
first = lista_primi.findAll('span', attrs={'class' : 'result_username'})
first_time = 0
#inserisce i primi link nella lista
for link in first :
peopl = link.findNext('a')['href']
tovisit.append(peopl.split('&')[0])
#Browser
br = mechanize.Browser()
cj = cookielib.LWPCookieJar()
br.set_cookiejar(cj)
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)
# Want debugging messages?
#br.set_debug_http(True)
#br.set_debug_redirects(True)
#br.set_debug_responses(True)
# User-Agent (this is cheating, ok?)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]
# Login in FB
request = br.open(URLCS)
response = br.response()
#print response.read()
forms = mechanize.ParseResponse(response, backwards_compat=False)
# Username and Password are stored in this form
form = forms[1]
form["username"] = USERNAME
form["password"] = PASSWORD
#fa il login
br.open(form.click()).read()
#outfile_neg = open("negative.txt", "a")
#outfile_neu = open("neutral.txt", "a")
outfile_log = init_log()
extracted_neg = 0
extracted_neu = 0
extracted_pos = 0
examined = 0
saved = 0
while len(tovisit) and extracted_neg < MAX:
user = tovisit[0]
examined = examined + 1
if extracted_neg % 10 == 0 and saved == 0:
print "Saving"
# outfile_neg.close()
# outfile_neu.close()
# outfile_neg = open("negative.txt", "a")
# outfile_neu = open("neutral.txt", "a")
saved = 1
print "Checking the reviews of "+user+" ("+str(examined)+"\\"+str(len(tovisit))+")"
tovisit.pop(0)
currentURL = urlparse.urljoin(URLCS, user)
done = False
for i in range(1, 3):
try:
print 'Opening page ' + currentURL
response = br.open(currentURL)
print 'Done'
done = True
break
except:
if currentURL is not None:
print 'Error loading page ' + currentURL
else:
print 'Error loading unknown page'
continue
time.sleep(60*i)
if not done:
if currentURL is not None:
log_write(datetime.datetime.fromtimestamp(time.time()).strftime('%Y-%m-%d %H:%M:%S')+'\tI give up on loading ' + currentURL +'\n')
print 'I give up on loading ' + currentURL
else:
log_write(datetime.datetime.fromtimestamp(time.time()).strftime('%Y-%m-%d %H:%M:%S')+'\tI give up loading unknown page \n')
print 'I give up loading unknown page'
continue
#print response.read()
#load all the references
link_more = br.links(text_regex="all references")
done = True
for link in link_more :
done = False
print "Loading all references"
for i in range(1, 3):
try:
response = br.follow_link(link)
print 'Done'
done = True
break
except:
if hasattr(link, "href") :
print 'Error loading page' + link['href']
else:
print 'Error loading unknown page'
continue
time.sleep(60*i)
if not done:
if hasattr(link, "href") :
log_write(datetime.datetime.fromtimestamp(time.time()).strftime('%Y-%m-%d %H:%M:%S')+'\tI give up on loading ' + link['href'] + '\n')
print 'I give up on loading ' + link['href']
else:
log_write(datetime.datetime.fromtimestamp(time.time()).strftime('%Y-%m-%d %H:%M:%S')+'\tI give up on loading unknown page \n')
print 'I give up on loading unknown page'
continue
soup = Soup(response.read())
#estrae il nome
name = soup.find('h1', attrs={'class' : 'profile'})
if name is not None:
#rimuove gli spazi
membername = ' '.join(name.contents[0].lstrip().split())
#estrae i dati relativi all'utente quali nazionalita e citta dall'intestazione
nazionalita = soup.find(name='a', attrs={'target' : 'mapblast'})
if nazionalita is not None:
#espressione regolare per separare nazione da citta
nazionalita = re.sub( '(?<!^)(?=[A-Z])', '_', nazionalita.text )
citta = nazionalita
#salvo la nazione che e la prima stringa
nazionalita = nazionalita.split('_')[0]
#salvo la citta che e alla fine della stringa
try:
citta = citta.split('_')[2]
except:
try:
citta = citta.split('_')[1]
except:
citta = citta.split('_')[0]
table = soup.find('table', attrs={'class':'generalinfo'})
age = 0
gender = 'Unknown'
regDate = ''
if table is not None :
rows = table.findAll('tr')
for tr in rows:
#membername since parsing
if tr.text.find('member since') >= 0:
cols = tr.findAll('td')
for td in cols:
regDate = ''.join(td.find(text=True))
regDate = regDate.replace('th','')
regDate = regDate.replace('st','')
regDate = regDate.replace('rd','')
regDate = regDate.replace('nd','')
regDate = regDate.replace('Augu', 'Aug')
#age parsing
if tr.find(text=re.compile('^age$')) >= 0:
cols = tr.find('td')
age = ''.join(cols.find(text=True))
# parsing gender
if tr.text.find('gender') >= 0:
cols = tr.find('td')
gender = ''.join(cols.find(text=True))
# controlla che sia effettivamente il sesso
if gender.find("Male")<0 and gender.find("Female")<0 :
gender = "Unknown"
#genera l'id dell'utente corrente
userid = user
if userid[0]=='/' :
userid = userid[1:]
if userid[len(userid)-1]=='/':
userid = userid[0:len(userid)-1]
list_tag = soup.findAll(attrs={'class' : 'reference_from'})
list_tag.extend(soup.findAll(attrs={'class' : 'refnotIRL'}))
print 'Parsing the references'
for tag in list_tag:
tag_item = tag.findNext(name='a', attrs={'class' : 'userlink'})
if tag_item is not None:
reviewer = tag_item['href']
#genera l'id dell'utente
reviewerid = reviewer
if reviewerid[0]=='/' :
reviewerid = reviewerid[1:]
if reviewerid[len(reviewerid)-1]=='/':
reviewerid = reviewerid[0:len(reviewerid)-1]
#aggiunge alla lista tutti i riferimenti trovati in reference from
if reviewer not in visited:
tovisit.append(reviewer)
update(con,userid,age,regDate,'TRUE')
#estrae e salva i commenti negativi
if tag.text.find('Negative') >= 0 :
#estrae la data del voto
dataVoto = tag.find('sup')
if dataVoto is not None:
dataVoto = dataVoto.text
else:
break
if dataVoto.find(',') < 0 :
dataVoto = dataVoto+','+' '+ str(date.today().year)
#estrae la nazione
nazione = tag.find('small')
if nazione is not None:
nazione = (nazione.text).replace(' ','-')
#cancella il carattere di spazio html
nazione = nazione.replace(u'\xa0', '|')
#estrae la citta del revisionato
cittaRev = nazione.split(',')[0]
cittaRev = cittaRev[1:].replace('-',' ')
#estrae la nazione del revisionato
nazione = nazione.split(',')[1]
nazione = nazione.split('|')[0]
nazione = nazione[1:].replace('-',' ')
tag_it = tag_item.text+'\n'+cittaRev+'\n'+nazione
#dizionario con una tupla (nome revisore,nome revisionato) come chiave e voto come valore
visited[(tag_it,membername+'\n'+citta+'\n'+nazionalita)]='-1 \n'+ dataVoto
#inserisce i record nelle tabelle
insert_nazione(con,nazionalita)
insert_nazione(con,nazione)
insert_citta(con,citta,nazionalita)
insert_citta(con,cittaRev,nazione)
insert_utente(con,userid,membername,age,citta,nazionalita,regDate,gender)
insert_utente(con,reviewerid,tag_item.text,0,cittaRev,nazione,None,None)
insert_commento(con,reviewerid,userid,-1,dataVoto,tag.p.text.encode('ascii', 'ignore')+'\n')
update_flag(con,'TRUE',userid)
# outfile_neg.write(user+'\t'+reviewer+'\t')
# outfile_neg.write('Negative\t')
# outfile_neg.write(tag.p.text.encode('ascii', 'ignore')+'\n')
extracted_neg = extracted_neg + 1
print "Found " + str(extracted_neg) + " negative reviews"
saved = 0
#estrae e salva i commenti neutri
elif tag.text.find('Positive') < 0 :
#estrae la data del voto
dataVoto = tag.find('sup')
if dataVoto is not None:
dataVoto = dataVoto.text
else:
break
if dataVoto.find(',') < 0 :
dataVoto = dataVoto + ',' + ' ' + str(date.today().year)
#estrae la nazione del revisionato
nazione = tag.find('small')
if nazione is not None:
nazione = (nazione.text).replace(' ','-')
#cancella il carattere di spazio html
nazione = nazione.replace(u'\xa0', '|')
#estrae la citta del revisionato
cittaRev = nazione.split(',')[0]
cittaRev = cittaRev[1:].replace('-',' ')
#estrae la nazione del revisionato
nazione = nazione.split(',')[1]
nazione = nazione.split('|')[0]
nazione = nazione[1:].replace('-',' ')
tag_it = tag_item.text+'\n'+cittaRev+'\n'+nazione
#dizionario con una tupla (nome revisore,nome revisionato) come chiave e voto come valore
visited[(tag_it,membername+'\n'+citta+'\n'+nazionalita)]='0 \n'+ dataVoto
#inserisce i record nelle tabelle
insert_nazione(con,nazione)
insert_nazione(con,nazionalita)
insert_citta(con,citta,nazionalita)
insert_citta(con,cittaRev,nazione)
insert_utente(con,userid,membername,age,citta,nazionalita,regDate,gender)
insert_utente(con,reviewerid,tag_item.text,0,cittaRev,nazione,None,None)
insert_commento(con,reviewerid,userid,0,dataVoto,tag.p.text.encode('ascii', 'ignore')+'\n')
update_flag(con,'TRUE',userid)
# outfile_neu.write(user+'\t'+reviewer+'\t')
# outfile_neu.write('Neutral\t')
# outfile_neu.write(tag.p.text.encode('ascii', 'ignore')+'\n')
extracted_neu = extracted_neu + 1
print "Found " + str(extracted_neu) + " neutral reviews"
saved = 0
#estrae e salva i commenti positivi
else :
#estrae la data del voto
dataVoto = tag.find('sup')
if dataVoto is not None:
dataVoto = dataVoto.text
else:
break
if dataVoto.find(',') < 0 :
dataVoto = dataVoto + ',' + ' ' + str(date.today().year)
#estrae la nazione del revisionato
nazione = tag.find('small')
if nazione is not None:
nazione = (nazione.text).replace(' ','-')
#cancella il carattere di spazio html
nazione = nazione.replace(u'\xa0', '|')
#estrae la citta del revisionato
cittaRev = nazione.split(',')[0]
cittaRev = cittaRev[1:].replace('-',' ')
#estrae la nazione del revisionato
nazione = nazione.split(',')[1]
nazione = nazione.split('|')[0]
nazione = nazione[1:].replace('-',' ')
tag_it = tag_item.text+'\n'+cittaRev+'\n'+nazione
#dizionario con una tupla (nome revisore,nome revisionato) come chiave e voto come valore
visited[(tag_it,membername+'\n'+citta+'\n'+nazionalita)]='0 \n'+ dataVoto
#inserisce i record nelle tabelle
insert_nazione(con,nazione)
insert_nazione(con,nazionalita)
insert_citta(con,citta,nazionalita)
insert_citta(con,cittaRev,nazione)
insert_utente(con,userid,membername,age,citta,nazionalita,regDate,gender)
insert_utente(con,reviewerid,tag_item.text,0,cittaRev,nazione,None,None)
insert_commento(con,reviewerid,userid,1,dataVoto,tag.p.text.encode('ascii', 'ignore')+'\n')
update_flag(con,'TRUE',userid)
#outfile_neu.write(user+'\t'+reviewer+'\t')
#outfile_neu.write('Neutral\t')
#outfile_neu.write(tag.p.text.encode('ascii', 'ignore')+'\n')
extracted_pos = extracted_pos + 1
print "Found " + str(extracted_pos) + " positive reviews"
saved = 0
#extracted_neg = MAX
#print 'Done'
print 'Done'
time.sleep(1.5)
#disegna il grafo
#draw_digraph(visited)
print "Finished"
#print visited.keys()
outfile_log.close()
#outfile_neg.close()
#outfile_neu.close()