-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathnewspaper.py
executable file
·303 lines (236 loc) · 12.3 KB
/
newspaper.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
#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
Onetz E-Paper Downloader
Copyright (C) 2016,2019 Thomas Reiser
https://github.com/thomasreiser/onetz-epaper-downloader
This program is free software: you can redistribute it and/or modify
it under the terms of the GNU General Public License as published by
the Free Software Foundation, either version 3 of the License, or
(at your option) any later version.
This program is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
GNU General Public License for more details.
You should have received a copy of the GNU General Public License
along with this program. If not, see <http://www.gnu.org/licenses/>.
'''
# Imports
import requests # pip install requests
from bs4 import BeautifulSoup # pip install beautifulsoup4
from fake_useragent import UserAgent # pip install fake-useragent
from workalendar.europe import Bavaria # pip install workalendar
import time
import datetime
import random
import os
import os.path
import shutil
import json
import argparse
import sys
import platform
import logging
import re
# Interne Konstanten
VERSION = '2.1'
LOGIN_URL_PREFIX = 'https://epapersso.onetz.de/auth/authorize'
LOGIN_URL = LOGIN_URL_PREFIX + '?client_id=epaper' # Onetz Login-URL
EPAPER_ARCHIVE_URL = 'https://zeitung.onetz.de/shelfDisplay.act?dateTo=%s&widgetIdStr=1040®ion=%s' # Pfad zum Abholen der verfügbaren E-Paper
EPAPER_ISSUE_URL = 'https://zeitung.onetz.de/issue.act?issueId=%s&issueMutation=%s&issueDate=%s&pdf=PDF' # Pfad zum Autorisieren des PDF-Downloads
DEFAULT_USER_AGENT = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36" # User Agent (Default-Wert)
DEFAULT_HTTP_TIMEOUT = 360 # HTTP Timeout in Sekunden (Default-Wert)
DEFAULT_MIN_SLEEP = 1 # Minimale Wartezeit/Sleep zwischen den Requests in Sekunden (Default-Wert)
DEFAULT_MAX_SLEEP = 5 # Maximale Wartezeit/Sleep zwischen den Requests in Sekunden (Default-Wert)
A_HREF_PATTERN = re.compile(r"\s*javascript:pdfDownloadClickHandler\s*\(\s*'\w+'\s*,\s*'(\d+)'\s*,\s*'(\w{3})'\s*,\s*'(\d{8})'\s*\)\s*") # Regex zum Prüfen der Download-Links
A_TITLE_PATTERN = re.compile(".*usgabe.*laden.*") # Regex zum Prüfen der Download-Link-Titel
# Logger
logging.getLogger('fake_useragent').addHandler(logging.NullHandler())
# Programmlogik
def download(configFile, timestamp, overwrite):
print('Initialisiere Logik zum Herunterladen der Gesamtausgabe...')
# Timestamp prüfen
if not timestamp or len(timestamp) != 8 or not timestamp.isdigit():
print('Achtung: Übergebener Datumsparameter ist ungültig! Bitte Format YYYYMMDD verwenden!')
return
# Wenn der übergebene Timestamp ein Sonntag/Feiertag ist, dann den Benutzer warnen und automatisch auf den Samstag springen
requestedDate = fixDate(timestamp, True)
today = fixDate(time.strftime('%Y%m%d'), False)
# Delta zwischen heute und dem angefragten Datum anfordern
if (today - requestedDate).days < 0:
print('Achtung: Übergebener Datumsparameter ist in der Zukunft. Setze Datum auf heute...')
requestedDate = today
requestedTimestamp = requestedDate.strftime('%Y%m%d')
requestedTimestampUrl = requestedDate.strftime('%Y-%m-%d')
todayTimestamp = today.strftime('%Y%m%d')
print('Zu herunterladende Gesamtausgabe: ' + requestedTimestamp)
# Konfiguration laden
if not os.path.isfile(configFile):
print('Achtung: Übergebene Config-Datei existiert nicht! -> Abbruch')
return
config = None
try:
with open(configFile, 'r') as f:
config = json.load(f)
except:
print('Achtung: Übergebene Config-Datei kann nicht gelesen werden! -> Abbruch')
return
if not config or not config['username'] or not config['password']:
print('Es wurden keine Zugangsdaten angegeben. Bitte newpaper.json korrekt befüllen -> Abbruch')
return
if not config['epaper_edition']:
print('Es wurden keine Zeitungsedition (z.B. "9wn" für Weiden; siehe README.md) angegeben. Bitte JSON Config korrekt befüllen -> Abbruch')
return
if not config['http_timeout']:
config['http_timeout'] = DEFAULT_HTTP_TIMEOUT
if not config['min_sleep'] or config['min_sleep'] < 0:
config['min_sleep'] = DEFAULT_MIN_SLEEP
if not config['max_sleep'] or config['max_sleep'] < 0:
config['max_sleep'] = DEFAULT_MAX_SLEEP
# Aktuelle, reale User-Agents von useragentstring.com laden und zufälligen UA setzen
try:
ua = UserAgent(cache=False)
userAgent = ua.chrome
except:
userAgent = DEFAULT_USER_AGENT
# Eigene, angepasste HTTP-Header
headers = {'User-Agent': userAgent, 'DNT': '1'}
# Prüfen, ob PDF-Zielverzeichnis existiert, wenn nicht versuche, es zu erstellen
try:
os.makedirs(config['pdf_base'])
except OSError:
if not os.path.isdir(config['pdf_base']):
print('Zielverzeichnis "' + config['pdf_base'] + '" existiert nicht und kann nicht angelegt werden -> Abbruch')
return
# Prüfen, ob PDF schon vorhanden ist
pdfFile = os.path.join(config['pdf_base'], timestamp + '.pdf')
if not overwrite and os.path.isfile(pdfFile):
print('E-Paper für ' + timestamp + ' wurde bereits heruntergeladen -> Abbruch')
return
# Bei Onetz anmelden
print('Melde mich an mit Benutzer ' + config['username'] + '...')
s = requests.Session()
r = s.post(LOGIN_URL, data={'username': config['username'], 'password': config['password']}, timeout=config['http_timeout'], headers=headers, allow_redirects=True)
if not r.ok:
print('Anmeldung fehlgeschlagen! -> Abbruch')
return
# Warten (Echten Benutzer vorgaukeln; nicht notwendig, aber sieht für den Server "besser" aus)
print('Suche nach passendem E-Paper...')
time.sleep(random.uniform(config['min_sleep'], config['max_sleep']))
# Abholen des Download-Links für das PDF
r = s.get(EPAPER_ARCHIVE_URL % (requestedTimestampUrl, config['epaper_edition']), timeout=config['http_timeout'], headers=headers, allow_redirects=True)
if not r.ok:
print('Download-Links für E-Paper konnten nicht geladen werden! -> Abbruch')
return
# Jetzt muss die Rückgabe geparsed werden, da dort ein spezieller Link zum E-Paper gezogen werden muss
soup = BeautifulSoup(r.text, 'html.parser')
epaperLink = None
for link in soup.find_all('a'):
epaperLink = tryGetEPaper(str(link.get('href')), str(link.get('title')), requestedTimestamp, config['epaper_edition'])
if epaperLink is not None:
break
if epaperLink is None:
print('Link zum E-Paper nicht gefunden! -> Abbruch')
return
# Warten (Echten Benutzer vorgaukeln; nicht notwendig, aber sieht für den Server "besser" aus)
print('E-Paper gefunden -> Lade Tagesausgabe herunter...')
time.sleep(random.uniform(config['min_sleep'], config['max_sleep']))
# Zeitung downloaden
deletePdf = True
try:
with open(pdfFile, 'wb') as handle:
r = s.get(epaperLink, timeout=config['http_timeout'], headers=headers, allow_redirects=True)
if not r.ok:
# TODO: 404-Check?
print('Kann E-Paper PDF nicht herunterladen! -> Abbruch')
deletePdf = True
else:
handle.write(r.content)
deletePdf = False
except IOError:
print('Fehler beim Lesen/Schreiben der PDF-Datei -> Abbruch')
deletePdf = True
except:
print('Fehler beim Herunterladen der PDF-Datei -> Abbruch')
deletePdf = True
if deletePdf:
if os.path.isfile(pdfFile):
os.remove(pdfFile)
elif config['current_epaper_filename'] and requestedTimestamp == todayTimestamp:
symLink = False
if config['current_epaper_symlink']:
if platform.system().lower() != 'windows':
symLink = True
else:
print('Warnung: Konfigurationsvariable "current_epaper_symlink" kann auf Windows-Systemen nicht angewandt werden -> Normale Kopie wird erstellt!')
if symLink:
if os.path.isfile(config['pdf_base'] + config['current_epaper_filename']):
os.remove(config['pdf_base'] + config['current_epaper_filename'])
os.symlink(pdfFile, config['pdf_base'] + config['current_epaper_filename'])
else:
shutil.copy2(pdfFile, config['pdf_base'] + config['current_epaper_filename'])
if not deletePdf:
print('Zeitung erfolgreich heruntergeladen!')
# Methode zum prüfen, ob der übergebene Link der passende für den übergebenen Timestamp ist bzw. ob der Link überhaupt eine passende Hauptausgabe enthält
def tryGetEPaper(href, title, timestamp, edition):
if href is None or title is None or timestamp is None:
return None
# Prüfen title-Tag auf Hauptausgabe
m = A_TITLE_PATTERN.match(title)
if m is None:
return None
# Prüfe href-Tag auf Download-JS
m = A_HREF_PATTERN.match(href)
if m is None:
return None
# Auslesen der JS-Paramter
issueId = m.group(1)
mutation = m.group(2)
date = m.group(3)
# Ungültigen Link verwerfen
if date != timestamp or mutation.lower() != edition.lower():
return None
# Link zum PDF generieren
return EPAPER_ISSUE_URL % (issueId, mutation, date)
# Methode zum Korrigieren eines Datums (Sonntag -> Samstag + Korrektur bei Feiertagen). Liefert ein datetime-Objekt zurück
def fixDate(timestamp, printWarning):
t = datetime.datetime.strptime(timestamp, '%Y%m%d')
holidayCalendar = Bavaria()
if t.isoweekday() == 7 or holidayCalendar.is_holiday(t):
if printWarning:
print('Achtung: Der übergebene Tag ist ein Sonn- oder Feiertag! -> Lade die Zeitung für den letzen Werktag vor diesem Datum herunter')
while t.isoweekday() == 7 or holidayCalendar.is_holiday(t):
t = t - datetime.timedelta(days=1)
return t
# Eigener ArgParser zum Anzeigen der Hilfe-Nachricht beim Aufruf des Scripts ohne Argumente
class MyParser(argparse.ArgumentParser):
def error(self, message):
sys.stderr.write('error: %s\n' % message)
self.print_help()
sys.exit(2)
# Konsolen Text der in der Help-Message angezeigt wird
def argDesc():
d = []
d.append('#####################################################################')
d.append('## ONETZ EPAPER DOWNLOADER V' + VERSION.ljust(39, ' ') + '##')
d.append('## ##')
d.append('## https://github.com/thomasreiser/onetz-epaper-downloader ##')
d.append('## ##')
d.append('## Benutzung auf eigenes Risiko und nur für den privaten Gebrauch! ##')
d.append('## Der Autor steht in keiner Beziehung mit Onetz bzw. dem Medien- ##')
d.append('## haus "Der Neue Tag" sowie anderen beteiligten Unternehmen. ##')
d.append('## ##')
d.append('## (c) 2016,2019 Thomas Reiser ##')
d.append('## [email protected] ##')
d.append('## thomas.reiser.zone ##')
d.append('## ##')
d.append('## Licensed under the GNU General Public License v3 ##')
d.append('#####################################################################')
return '\n'.join(d)
if __name__ == '__main__':
parser = MyParser(description=argDesc(), formatter_class=argparse.RawTextHelpFormatter)
parser.add_argument('-c', '--config', help='Pfad zur Config-Datei (z.B. newspaper.json)', nargs='?', default='newspaper.json', required=True)
parser.add_argument('-d', '--date', help='Datum der zu ladenden Zeitung, z.B. 20190914 (nicht gesetzt = heute)', nargs='?', required=False)
parser.add_argument('-o', '--overwrite', help='Falls notwendig, bestehendes PDF überschreiben', action='store_true', required=False)
args = vars(parser.parse_args())
download(args['config'], args['date'] or time.strftime('%Y%m%d'), args['overwrite'])