-
Notifications
You must be signed in to change notification settings - Fork 0
/
crawler_get_temp_horaria.py
191 lines (143 loc) · 7.47 KB
/
crawler_get_temp_horaria.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
'''
** Este crawler saca la temperatura HORARIA PASADA en el mes y año deseados
'''
import calendar
import datetime
from bs4 import BeautifulSoup
import numpy as np
import pandas as pd
import os
import utils.common_utilities as utiles
import utils.variables_globales as var
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver import DesiredCapabilities
from selenium.webdriver.chrome.options import Options
import time
#//*[@id="wt-his"]/tbody/tr[44]/th
#//*[@id="wt-his"]/tbody/tr[48]/th
#//*[@id="wt-his"]/tbody/tr[47]/th
#//*[@id="wt-his"]/tbody/tr[1]/th
#//*[@id="wt-his"]/tbody/tr[47]/th
#//*[@id="wt-his"]/tbody/tr[24]/th
# temps
#//*[@id="wt-his"]/tbody/tr[1]/td[2]
#//*[@id="wt-his"]/tbody/tr[2]/td[2]
base_url = 'https://www.timeanddate.com/weather/'
#-----------------------------------------------------------------------------
#-----------------------------------------------------------------------------
#-----------------------------------------------------------------------------
def get_previsiones_by_distrito(distrito, month, year):
distrito = distrito.lower()
if distrito == 'lisboa':
distrito = 'lisbon'
# construimos la url
pagina_web = base_url + 'portugal/' + distrito + '/historic?month=' + str(month) + '&year=' + str(year)
# quitar notificaciones
options = Options()
options.add_argument("--disable-notifications")
# no cargar imagenes y usar cache para cargar mas rapido las paginas
prefs = {"profile.managed_default_content_settings.images": 2, 'disk-cache-size': 4096}
options.add_experimental_option('prefs', prefs)
# empezar a currar sin esperar a que cargue toda la pagina
caps = DesiredCapabilities().CHROME
caps["pageLoadStrategy"] = "none" # complete
# Selenium driver
driver = webdriver.Chrome(var.CHROME_DRIVER, chrome_options=options, desired_capabilities=caps)
driver.get(pagina_web)
driver.maximize_window()
espera = 2
time.sleep(espera)
lista_temp = []
base_dia_url = '/html/body/div[1]/div[7]/section[2]/div[5]/div[3]/a['
num_dias_del_mes = calendar.monthrange(year, month)[1]
for dia in range(1, num_dias_del_mes + 1, 1):
lista_temp_dia = []
fecha = str(year) + utiles.check_fecha(month) + utiles.check_fecha(dia)
# nos metemos en el dia
dia_url = driver.find_element_by_xpath(base_dia_url + str(dia) +']')
dia_url.click()
time.sleep(espera)
# y empezamos a preparar el surfeo por el cuerpo de horas
num_horas_disponibles = len(driver.find_elements_by_xpath('//*[@id="wt-his"]/tbody/tr'))
base_hora_url = '//*[@id="wt-his"]/tbody/tr['
end_hora_url = ']/th'
hora_actual = 0 # Como hay veces que aparece "12:00" y su media hora "12:30"
acumulador_hora_actual = 0 # acumulo las veces que pase eso (maximo dos)
acumulador_temp_actual = 0 # y de la temp acumulado saco la media (div entre maximo dos)
for hora in range(1, num_horas_disponibles + 1, 1):
am_pm = '-'
# la hora puede venir "12:00 am" o simplemente "0:00"
ruta_hora = base_hora_url + str(hora) + end_hora_url
texto_hora = driver.find_element_by_xpath(ruta_hora).text
hora_original = texto_hora.split(' ')[0]
if len(texto_hora.split(' ')) > 1:
am_pm = texto_hora.split(' ')[1]
am_pm = am_pm[:2]
hora_sin_minutos = int(hora_original.split(':')[0])
# control am/pm
if am_pm == 'am' and hora_sin_minutos == 12:
hora_sin_minutos = 0
if am_pm == 'pm' and hora_sin_minutos < 12:
hora_sin_minutos += 12
ruta_temp = '//*[@id="wt-his"]/tbody/tr[' + str(hora) + ']/td[2]'
temp = driver.find_element_by_xpath(ruta_temp).text
temp_sin_signo = int(temp.split(' ')[0])
if hora_actual == hora_sin_minutos:
acumulador_temp_actual += temp_sin_signo
acumulador_hora_actual += 1
# se almacena lo que tenga esa hora (se hace la media si venia con xx:30)
if hora_actual != hora_sin_minutos or hora == num_horas_disponibles:
temp_media = acumulador_temp_actual/ acumulador_hora_actual
fila_actual = [fecha + ':' + utiles.check_fecha(hora_actual), temp_media]
# guardamos
lista_temp_dia.append(fila_actual)
if hora < num_horas_disponibles:
# actualizamos contadores
hora_actual = hora_sin_minutos
acumulador_hora_actual = 1
acumulador_temp_actual = temp_sin_signo
# CHECK de las horas que FALTEN
lista_temp_dia_controlada = utiles.add_horas_quefalten(lista_temp_dia)
# añadimos las horas del dia
for ele in lista_temp_dia_controlada:
lista_temp.append(ele)
time.sleep(espera)
driver.close()
return lista_temp
#-----------------------------------------------------------------------------
#-----------------------------------------------------------------------------
#-----------------------------------------------------------------------------
def get_temp_horarias_pasadas(month, year):
for distrito in var.DISTRITOS_PARA_TEMP_HORARIA_PASADA:
# *****************************************************************************************************************
# *****************************************************************************************************************
# 1- se crea/accede el DIRECTORIO donde estarian las temperaturas del distrito
mydate = datetime.datetime(year, month, 1)
mes = mydate.strftime("%B")
directory = 'excel/temp_horarias_pasadas/' + str(year) + '/' + str(mes) + '/'
# si el directorio no existe, se crea
if not os.path.exists(directory):
os.makedirs(directory)
excel_name = directory + distrito + '.xlsx'
# si el fichero no existe, se crea
if not os.path.exists(excel_name):
file = open(excel_name, 'w+')
file.close()
# *****************************************************************************************************************
# *****************************************************************************************************************
# 2- se traen las temperaturas horarias pasadas
lista_temp_horarias = np.asarray(get_previsiones_by_distrito(distrito, month, year))
# y se guardan en excel
df_lista_temp_horarias = pd.DataFrame(lista_temp_horarias, columns=['hora', 'temp'])
df_lista_temp_horarias['temp'] = pd.to_numeric(df_lista_temp_horarias["temp"])
df_lista_temp_horarias.to_excel(excel_name, index=False)
#-----------------------------------------------------------------------------
#-----------------------------------------------------------------------------
#-----------------------------------------------------------------------------
'''get_temp_horarias_pasadas(3, 2018)
get_temp_horarias_pasadas(4, 2018)
get_temp_horarias_pasadas(5, 2018)'''
#get_temp_horarias_pasadas(12, 2017)