studentsbot/crawler.py at main · nluninja/studentsbot · GitHub

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
import requests
from bs4 import BeautifulSoup
from markdownify import markdownify as md
from urllib.parse import urljoin, urlparse
import os
import re
import time
import logging

# Configurazione del logging
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

# --- Configurazione del Crawler ---
START_URL = "https://studenticattolica.unicatt.it/"
ALLOWED_DOMAIN = urlparse(START_URL).netloc
MAX_DEPTH = 10
OUTPUT_DIR = "output_crawler"
REQUEST_DELAY = 1  # Secondi di attesa tra le richieste per essere gentili con il server
USER_AGENT = "MySimplePythonCrawler/1.0 (+http://example.com/botinfo)" # Cambia con info reali se necessario
# ----------------------------------

def sanitize_filename(url_path):
    """Crea un nome file sicuro da un percorso URL."""
    if not url_path or url_path == "/":
        filename = "index"
    else:
        # Rimuovi lo schema e il netloc se presenti per errore (dovrebbe essere solo il path)
        parsed_url = urlparse(url_path)
        path = parsed_url.path

        # Rimuovi slash iniziali/finali
        filename = path.strip('/')
        # Sostituisci slash con underscore
        filename = filename.replace('/', '_')
        # Rimuovi caratteri non alfanumerici o non underscore/punto/trattino
        filename = re.sub(r'[^\w_.-]', '', filename)
        # Rimuovi estensioni comuni come .html, .php, .asp se presenti alla fine
        filename = re.sub(r'\.(html|php|asp|aspx)$', '', filename, flags=re.IGNORECASE)
        if not filename: # Se dopo la pulizia è vuoto
            filename = "page_" + str(hash(url_path))[:8] # fallback

    return f"{filename}.md"

def fetch_page(url):
    """Scarica il contenuto di una pagina web."""
    headers = {'User-Agent': USER_AGENT}
    try:
        response = requests.get(url, headers=headers, timeout=10)
        response.raise_for_status()  # Solleva un'eccezione per codici di errore HTTP (4xx o 5xx)
        # Assicurati che il contenuto sia testo/html prima di procedere
        if 'text/html' in response.headers.get('Content-Type', '').lower():
            return response.text
        else:
            logging.warning(f"Contenuto non HTML per {url}: {response.headers.get('Content-Type')}")
            return None
    except requests.exceptions.RequestException as e:
        logging.error(f"Errore durante il fetch di {url}: {e}")
        return None
    except Exception as e:
        logging.error(f"Errore generico durante il fetch di {url}: {e}")
        return None


def parse_and_save(html_content, url, current_depth):
    """
    Analizza il contenuto HTML, salva in Markdown e restituisce i link trovati.
    """
    if not html_content:
        return []

    soup = BeautifulSoup(html_content, 'html.parser')

    # --- Estrazione del contenuto principale (da personalizzare se necessario) ---
    # Prova con tag comuni per il contenuto principale
    main_content_tags = ['main', 'article', 'div[class*="content"]', 'div[id*="content"]']
    content_element = None
    for tag_selector in main_content_tags:
        content_element = soup.select_one(tag_selector)
        if content_element:
            break

    if not content_element: # Fallback al body se non trova un main specifico
        content_element = soup.body

    if not content_element:
        logging.warning(f"Nessun elemento <body> trovato in {url}")
        return []

    html_to_convert = str(content_element)
    # ---------------------------------------------------------------------------

    try:
        markdown_content = md(html_to_convert, heading_style='atx')
    except Exception as e:
        logging.error(f"Errore durante la conversione in Markdown per {url}: {e}")
        markdown_content = f"# Errore durante la conversione\n\nURL: {url}\nErrore: {e}"

    filename = sanitize_filename(urlparse(url).path)
    filepath = os.path.join(OUTPUT_DIR, filename)

    try:
        with open(filepath, 'w', encoding='utf-8') as f:
            f.write(f"# Pagina: {url}\n\n")
            f.write(f"## Profondità: {current_depth}\n\n")
            f.write(markdown_content)
        logging.info(f"Salvato: {filepath} (Profondità: {current_depth})")
    except IOError as e:
        logging.error(f"Errore durante il salvataggio di {filepath}: {e}")
        return [] # Non continuare se non si può salvare

    # Estrazione dei link
    links = []
    for a_tag in soup.find_all('a', href=True):
        href = a_tag['href']
        # Costruisci URL assoluto
        absolute_url = urljoin(url, href)
        # Rimuovi frammenti (#section) e parametri opzionali se non necessari
        absolute_url = urlparse(absolute_url)._replace(query='', fragment='').geturl()
        links.append(absolute_url)

    return links

def crawl():
    """Funzione principale del crawler."""
    if not os.path.exists(OUTPUT_DIR):
        os.makedirs(OUTPUT_DIR)
        logging.info(f"Cartella di output creata: {OUTPUT_DIR}")

    queue = [(START_URL, 0)]  # (url, depth)
    visited_urls = set()
    pages_crawled_count = 0

    while queue:
        current_url, current_depth = queue.pop(0)

        if current_url in visited_urls:
            logging.debug(f"Già visitato: {current_url}")
            continue

        if current_depth > MAX_DEPTH:
            logging.info(f"Profondità massima raggiunta per il ramo di {current_url}")
            continue

        parsed_url = urlparse(current_url)
        if parsed_url.netloc != ALLOWED_DOMAIN:
            logging.debug(f"Dominio non consentito: {current_url}")
            continue

        logging.info(f"Crawling: {current_url} (Profondità: {current_depth})")
        visited_urls.add(current_url)

        html_content = fetch_page(current_url)

        if html_content:
            pages_crawled_count += 1
            new_links = parse_and_save(html_content, current_url, current_depth)

            for link in new_links:
                if link not in visited_urls and urlparse(link).netloc == ALLOWED_DOMAIN:
                    queue.append((link, current_depth + 1))

        # Sii gentile con il server
        time.sleep(REQUEST_DELAY)

    logging.info(f"Crawling completato. Pagine totali analizzate: {pages_crawled_count}")
    logging.info(f"Pagine uniche visitate (o tentate): {len(visited_urls)}")

if __name__ == "__main__":
    crawl()