feat(scraper): use the new scraper
This commit is contained in:
parent
ff446d3bea
commit
9dee667af2
|
@ -3,19 +3,19 @@ local inspect = require "inspect"
|
||||||
local log = require "logger"
|
local log = require "logger"
|
||||||
local properties = require "properties"
|
local properties = require "properties"
|
||||||
local scraper = require "scraper"
|
local scraper = require "scraper"
|
||||||
local generator = require "generator"
|
-- local generator = require "generator"
|
||||||
|
|
||||||
log:info(
|
log:info(
|
||||||
inspect { message = "Start extraction", base_url = properties.base_url }
|
inspect { message = "Start extraction", base_url = properties.base_url }
|
||||||
)
|
)
|
||||||
|
|
||||||
-- local index = crawler.fetch(properties.base_url .. properties.index_uri)
|
local index = crawler.fetch(properties.base_url .. properties.index_uri)
|
||||||
-- local modules = scraper.get_modules_from_index(
|
|
||||||
-- index,
|
|
||||||
-- properties.ignored_modules
|
|
||||||
-- )
|
|
||||||
|
|
||||||
-- log:info(inspect { modules_found = #modules })
|
-- local modules =
|
||||||
|
-- scraper.get_modules_from_index(index, properties.ignored_modules)
|
||||||
|
local module_infos = scraper.module_info_list.get_modules_from_index(index)
|
||||||
|
|
||||||
|
log:info(inspect { modules_found = #module_infos })
|
||||||
|
|
||||||
-- for i = 1, 1 do -- #modules do
|
-- for i = 1, 1 do -- #modules do
|
||||||
-- local m = modules[i]
|
-- local m = modules[i]
|
||||||
|
@ -25,12 +25,16 @@ log:info(
|
||||||
-- log:info(inspect { items })
|
-- log:info(inspect { items })
|
||||||
-- end
|
-- end
|
||||||
|
|
||||||
local page =
|
local html =
|
||||||
crawler.fetch(properties.base_url .. "/widgets/wibox.widget.imagebox.html")
|
crawler.fetch(properties.base_url .. "/widgets/wibox.widget.textbox.html")
|
||||||
local items = scraper.get_doc_from_page(page)
|
local module_doc = scraper.module_doc.get_doc_from_page(html)
|
||||||
|
log:info(inspect { module_doc = module_doc })
|
||||||
|
|
||||||
|
-- local items = scraper.get_doc_from_page(page)
|
||||||
-- log:info(inspect { items })
|
-- log:info(inspect { items })
|
||||||
|
|
||||||
generator.write(
|
|
||||||
generator.generate_teal(items),
|
-- generator.write(
|
||||||
properties.out_directory .. "/test.tl"
|
-- generator.generate_teal(items),
|
||||||
)
|
-- properties.out_directory .. "/test.tl"
|
||||||
|
-- )
|
||||||
|
|
|
@ -1,212 +1,5 @@
|
||||||
local htmlparser = require "htmlparser"
|
return {
|
||||||
local log = require "logger"
|
module_doc = require "scraper.module_doc",
|
||||||
local utils = require "utils"
|
module_info_list = require "scraper.module_info_list",
|
||||||
|
utils = require "scraper.utils",
|
||||||
local scraper = {}
|
}
|
||||||
|
|
||||||
function scraper.get_modules_from_index(html, ignored)
|
|
||||||
local document = htmlparser.parse(html)
|
|
||||||
|
|
||||||
local modules = utils.map(document "#navigation ul > li a", function(node)
|
|
||||||
return {
|
|
||||||
name = utils.sanitize_string(node:getcontent()),
|
|
||||||
uri = node.attributes.href,
|
|
||||||
}
|
|
||||||
end)
|
|
||||||
|
|
||||||
local filtered_modules = utils.filter(modules, function(module)
|
|
||||||
return not utils.has_item(ignored, module.name)
|
|
||||||
end)
|
|
||||||
|
|
||||||
return filtered_modules
|
|
||||||
end
|
|
||||||
|
|
||||||
local function extract_first_node_or_fail(node, selector)
|
|
||||||
local extracted = node(selector)[1]
|
|
||||||
|
|
||||||
if not extracted then
|
|
||||||
log:error {
|
|
||||||
message = "Can't find `" .. selector .. "` element!",
|
|
||||||
node = node:gettext(),
|
|
||||||
}
|
|
||||||
error "extract_first_node_or_fail"
|
|
||||||
end
|
|
||||||
|
|
||||||
return extracted
|
|
||||||
end
|
|
||||||
|
|
||||||
local function extract_first_node(node, selector)
|
|
||||||
local extracted = node(selector)[1]
|
|
||||||
|
|
||||||
if not extracted then
|
|
||||||
return nil
|
|
||||||
end
|
|
||||||
|
|
||||||
return extracted
|
|
||||||
end
|
|
||||||
|
|
||||||
local function extract_inner_floating_text(node)
|
|
||||||
local html = node:getcontent()
|
|
||||||
|
|
||||||
-- Remove inner tags from the html
|
|
||||||
for _, n in ipairs(node.nodes) do
|
|
||||||
html = utils.replace(html, n:gettext(), "")
|
|
||||||
end
|
|
||||||
|
|
||||||
return utils.sanitize_string(html)
|
|
||||||
end
|
|
||||||
|
|
||||||
local function extract_item_content_parameter_list(content)
|
|
||||||
for i, n in ipairs(content.nodes) do
|
|
||||||
-- The parameters <ul> is the next element after one of these <h3>
|
|
||||||
if
|
|
||||||
n.name == "h3"
|
|
||||||
and utils.has_item(
|
|
||||||
{ "Parameters:", "Type constraints:", "Arguments" },
|
|
||||||
utils.sanitize_string(n:getcontent())
|
|
||||||
)
|
|
||||||
then
|
|
||||||
return content.nodes[i + 1]
|
|
||||||
end
|
|
||||||
end
|
|
||||||
|
|
||||||
return nil
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_item_header_type(node)
|
|
||||||
local types_node = extract_first_node(node, "span.summary_type")
|
|
||||||
|
|
||||||
if not types_node then
|
|
||||||
return nil
|
|
||||||
end
|
|
||||||
|
|
||||||
local types_string = string.match(types_node:getcontent(), "%((.-)%)")
|
|
||||||
or types_node:getcontent()
|
|
||||||
types_string = utils.replace(types_string, "or", ",")
|
|
||||||
local splitted = string.gmatch(types_string, "([^,]+)")
|
|
||||||
|
|
||||||
local types = {}
|
|
||||||
for t in splitted do
|
|
||||||
table.insert(types, utils.sanitize_string(t))
|
|
||||||
end
|
|
||||||
|
|
||||||
return types
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_item_header(node)
|
|
||||||
local name_node = extract_first_node_or_fail(node, "strong")
|
|
||||||
|
|
||||||
-- Remove starting ":" character on method name
|
|
||||||
local name = extract_inner_floating_text(name_node):gsub("^:", "")
|
|
||||||
local type = process_item_header_type(node)
|
|
||||||
|
|
||||||
local item_header = {
|
|
||||||
name = name,
|
|
||||||
type = type,
|
|
||||||
}
|
|
||||||
|
|
||||||
return item_header
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_item_content_parameters(node)
|
|
||||||
local parameter = {}
|
|
||||||
|
|
||||||
local name = extract_first_node_or_fail(node, "span.parameter")
|
|
||||||
parameter.name = utils.sanitize_string(name:getcontent())
|
|
||||||
|
|
||||||
local nested_parameters_list = extract_first_node(node, "ul")
|
|
||||||
if nested_parameters_list then
|
|
||||||
parameter.type = "table"
|
|
||||||
parameter.nested_parameters = utils.map(
|
|
||||||
nested_parameters_list "* > li",
|
|
||||||
process_item_content_parameters
|
|
||||||
)
|
|
||||||
|
|
||||||
return parameter
|
|
||||||
end
|
|
||||||
|
|
||||||
local types_list = utils.map(node ".type", function(type)
|
|
||||||
return utils.sanitize_string(type:getcontent())
|
|
||||||
end)
|
|
||||||
if #types_list > 0 then
|
|
||||||
parameter.type = types_list
|
|
||||||
end
|
|
||||||
|
|
||||||
return parameter
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_item_content(content)
|
|
||||||
local parameters_list = extract_item_content_parameter_list(content)
|
|
||||||
local parameters = parameters_list
|
|
||||||
and utils.map(
|
|
||||||
parameters_list "* > li",
|
|
||||||
process_item_content_parameters
|
|
||||||
)
|
|
||||||
or {}
|
|
||||||
|
|
||||||
local item_content = {
|
|
||||||
parameters = #parameters > 0 and parameters or nil,
|
|
||||||
}
|
|
||||||
|
|
||||||
return item_content
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_section_titles(document)
|
|
||||||
return utils.map(document "h2.section-header", extract_inner_floating_text)
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_section_items(item)
|
|
||||||
local headers = utils.map(item "dt", process_item_header)
|
|
||||||
local contents = utils.map(item "dd", process_item_content)
|
|
||||||
|
|
||||||
if #headers ~= #contents then
|
|
||||||
log:error {
|
|
||||||
message = "extract_item_content failure: headers and contents don't have the same size",
|
|
||||||
headers = #headers,
|
|
||||||
contents = #contents,
|
|
||||||
}
|
|
||||||
error "extract_item_content"
|
|
||||||
end
|
|
||||||
|
|
||||||
local item_contents = utils.map(headers, function(header, i)
|
|
||||||
return {
|
|
||||||
name = header.name,
|
|
||||||
type = header.type,
|
|
||||||
parameters = contents[i].parameters,
|
|
||||||
}
|
|
||||||
end)
|
|
||||||
|
|
||||||
return item_contents
|
|
||||||
end
|
|
||||||
|
|
||||||
local function process_section_contents(document)
|
|
||||||
local section_items = document "dl.function"
|
|
||||||
|
|
||||||
local section_contents = utils.map(section_items, process_section_items)
|
|
||||||
|
|
||||||
return section_contents
|
|
||||||
end
|
|
||||||
|
|
||||||
function scraper.get_doc_from_page(html)
|
|
||||||
local document = htmlparser.parse(html, 9999)
|
|
||||||
|
|
||||||
local sections_titles = process_section_titles(document)
|
|
||||||
local section_contents = process_section_contents(document)
|
|
||||||
|
|
||||||
if #sections_titles ~= #section_contents then
|
|
||||||
log:error {
|
|
||||||
message = "get_items_from_page failure: section_titles and section_contents don't have the same size",
|
|
||||||
sections_titles = #sections_titles,
|
|
||||||
func = #section_contents,
|
|
||||||
}
|
|
||||||
error "get_items_from_page"
|
|
||||||
end
|
|
||||||
|
|
||||||
local doc = utils.map(sections_titles, function(title, i)
|
|
||||||
return { section = title, items = section_contents[i] }
|
|
||||||
end)
|
|
||||||
|
|
||||||
return doc
|
|
||||||
end
|
|
||||||
|
|
||||||
return scraper
|
|
||||||
|
|
Loading…
Reference in New Issue