Spaces:
Runtime error
Runtime error
cryptocalypse
commited on
Create boe_crawler.py
Browse files- boe_crawler.py +78 -0
boe_crawler.py
ADDED
@@ -0,0 +1,78 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
import pandas as pd
|
2 |
+
import requests
|
3 |
+
import re
|
4 |
+
import pdfplumber
|
5 |
+
from io import BytesIO
|
6 |
+
|
7 |
+
# Lee el archivo CSV
|
8 |
+
df = pd.read_csv('proyectos.csv')
|
9 |
+
|
10 |
+
# Lista para almacenar los resultados
|
11 |
+
resultados = []
|
12 |
+
|
13 |
+
# Funci贸n para extraer texto de un PDF
|
14 |
+
def extraer_texto_pdf(url):
|
15 |
+
try:
|
16 |
+
response = requests.get(url)
|
17 |
+
pdf_file = BytesIO(response.content)
|
18 |
+
|
19 |
+
with pdfplumber.open(pdf_file) as pdf:
|
20 |
+
texto = ''
|
21 |
+
for pagina in pdf.pages:
|
22 |
+
texto += pagina.extract_text()
|
23 |
+
|
24 |
+
return texto
|
25 |
+
except Exception as e:
|
26 |
+
print(f"Error al extraer texto del PDF: {e}")
|
27 |
+
return None
|
28 |
+
|
29 |
+
|
30 |
+
output = open("proyectos_empresas.csv","a")
|
31 |
+
|
32 |
+
# Itera sobre las filas del DataFrame
|
33 |
+
for index, row in df.iterrows():
|
34 |
+
nombre_proyecto = row[0]
|
35 |
+
promotor = row[2]
|
36 |
+
url_boe = row[-1] # 脷ltima columna para la URL del BOE
|
37 |
+
|
38 |
+
try:
|
39 |
+
print(f"Procesando: {url_boe}")
|
40 |
+
|
41 |
+
# Verifica si la URL es de un PDF
|
42 |
+
if url_boe.endswith('.pdf'):
|
43 |
+
content = extraer_texto_pdf(url_boe)
|
44 |
+
else:
|
45 |
+
response = requests.get(url_boe)
|
46 |
+
content = response.text
|
47 |
+
|
48 |
+
# Si no se pudo extraer contenido, contin煤a con la siguiente iteraci贸n
|
49 |
+
if not content:
|
50 |
+
resultados.append([nombre_proyecto, url_boe, "Error al acceder o extraer contenido"])
|
51 |
+
continue
|
52 |
+
|
53 |
+
# Expresi贸n regular para encontrar el nombre de la empresa entre "p煤blico" y "MW"
|
54 |
+
#match = re.search(r'otorga a\s*(.*?)\s*SL\.', content, re.IGNORECASE | re.DOTALL)
|
55 |
+
match = re.search(r'otorga a\s*(.*?)\s*SL|SA', content, re.IGNORECASE | re.DOTALL)
|
56 |
+
|
57 |
+
if match:
|
58 |
+
|
59 |
+
nombre_empresa = match.group(1).strip()
|
60 |
+
|
61 |
+
else:
|
62 |
+
nombre_empresa = "No encontrado"
|
63 |
+
|
64 |
+
if(len(nombre_empresa)<100):
|
65 |
+
print("Proyecto: "+nombre_proyecto+", Promotor: "+promotor+", Fiscal: "+nombre_empresa)
|
66 |
+
output.write(nombre_proyecto+" , "+promotor+" , "+nombre_empresa+"\n")
|
67 |
+
|
68 |
+
# A帽ade el resultado a la lista
|
69 |
+
resultados.append([nombre_proyecto, url_boe, nombre_empresa])
|
70 |
+
|
71 |
+
except Exception as e:
|
72 |
+
print(f"Error procesando la URL: {url_boe} - {e}")
|
73 |
+
resultados.append([nombre_proyecto, url_boe, "Error al acceder a la URL"])
|
74 |
+
|
75 |
+
# Imprime los resultados
|
76 |
+
for resultado in resultados:
|
77 |
+
print(resultado)
|
78 |
+
|