First version of update script
commit
8152ec8dca
@ -0,0 +1,171 @@
|
|||||||
|
import requests
|
||||||
|
import oursql
|
||||||
|
import datetime
|
||||||
|
import json
|
||||||
|
|
||||||
|
database = oursql.connect(host="localhost", user="root", db="learn")
|
||||||
|
|
||||||
|
def unicodedammit(input_string):
|
||||||
|
if isinstance(input_string, str):
|
||||||
|
return input_string.decode('utf-8')
|
||||||
|
else:
|
||||||
|
return input_string
|
||||||
|
|
||||||
|
class KhanUniversityCrawler(object):
|
||||||
|
TOPIC = 1
|
||||||
|
COURSE = 2
|
||||||
|
VIDEO = 3
|
||||||
|
ARTICLE = 4
|
||||||
|
EXERCISE = 5
|
||||||
|
QUIZ = 6
|
||||||
|
TEST = 7
|
||||||
|
BOOK = 8
|
||||||
|
|
||||||
|
def __init__(self):
|
||||||
|
pass
|
||||||
|
|
||||||
|
def retrieve_dataset(self):
|
||||||
|
#self.dataset = requests.get("http://www.khanacademy.org/api/v1/topictree").json()
|
||||||
|
self.dataset = json.loads(open("data.json", "r").read())
|
||||||
|
|
||||||
|
def parse_dataset(self):
|
||||||
|
self.process_item(self.dataset, 0)
|
||||||
|
|
||||||
|
def process_item(self, item, level, parent=None):
|
||||||
|
global database
|
||||||
|
|
||||||
|
c = database.cursor()
|
||||||
|
|
||||||
|
try:
|
||||||
|
kind = item["kind"]
|
||||||
|
except KeyError, e:
|
||||||
|
return
|
||||||
|
|
||||||
|
if kind == "Topic":
|
||||||
|
unique_id = item["id"]
|
||||||
|
|
||||||
|
try:
|
||||||
|
parent_id = parent["_cl_id"]
|
||||||
|
except TypeError, e:
|
||||||
|
parent_id = 0
|
||||||
|
|
||||||
|
if item["description"] is not None:
|
||||||
|
description = item["description"]
|
||||||
|
else:
|
||||||
|
description = ""
|
||||||
|
|
||||||
|
if item["title"] is not None:
|
||||||
|
title = item["title"]
|
||||||
|
else:
|
||||||
|
title = ""
|
||||||
|
|
||||||
|
c.execute("SELECT `Id` FROM topics WHERE `ProviderId` = ? LIMIT 1", (unique_id,))
|
||||||
|
results = c.fetchall()
|
||||||
|
exists = (len(results) > 0)
|
||||||
|
|
||||||
|
if not exists:
|
||||||
|
c.execute("INSERT INTO topics (`ParentId`, `Provider`, `ProviderId`, `Title`, `Description`, `Created`, `NeedsEnrollment`)"
|
||||||
|
"VALUES (?, 1, ?, ?, ?, ?, 0)", (parent_id, unique_id, title, description, datetime.datetime.now()))
|
||||||
|
|
||||||
|
print "Inserted topic %s" % title
|
||||||
|
|
||||||
|
item["_cl_id"] = c.lastrowid
|
||||||
|
else:
|
||||||
|
print u"Skipped topic %s" % title
|
||||||
|
item["_cl_id"] = results[0][0]
|
||||||
|
elif kind in ("Video", "Exercise", "Article"):
|
||||||
|
try:
|
||||||
|
unique_id = item["readable_id"]
|
||||||
|
except KeyError, e:
|
||||||
|
try:
|
||||||
|
unique_id = item["name"]
|
||||||
|
except KeyError, e:
|
||||||
|
try:
|
||||||
|
unique_id = str(item["id"])
|
||||||
|
except KeyError, e:
|
||||||
|
print repr(item)
|
||||||
|
sys.stderr.write("WARNING: No suitable identifier found for item\n")
|
||||||
|
raise
|
||||||
|
return
|
||||||
|
|
||||||
|
if item["kind"] == "Video":
|
||||||
|
itemtype = self.VIDEO
|
||||||
|
elif item["kind"] == "Exercise":
|
||||||
|
itemtype = self.EXERCISE
|
||||||
|
elif item["kind"] == "Article":
|
||||||
|
itemtype = self.ARTICLE
|
||||||
|
|
||||||
|
try:
|
||||||
|
source_url = item["ka_url"]
|
||||||
|
except KeyError, e:
|
||||||
|
if itemtype == self.ARTICLE:
|
||||||
|
source_url = ""
|
||||||
|
else:
|
||||||
|
return
|
||||||
|
|
||||||
|
try:
|
||||||
|
item_url = item["url"]
|
||||||
|
except KeyError, e:
|
||||||
|
item_url = source_url
|
||||||
|
|
||||||
|
if itemtype == self.ARTICLE:
|
||||||
|
description = item["content"]
|
||||||
|
else:
|
||||||
|
try:
|
||||||
|
description = item["description"]
|
||||||
|
except KeyError, e:
|
||||||
|
description = ""
|
||||||
|
|
||||||
|
if description is None:
|
||||||
|
description = ""
|
||||||
|
|
||||||
|
try:
|
||||||
|
title = item["title"]
|
||||||
|
except KeyError, e:
|
||||||
|
try:
|
||||||
|
title = item["display_name"]
|
||||||
|
except KeyError, e:
|
||||||
|
title = "Untitled"
|
||||||
|
|
||||||
|
try:
|
||||||
|
views = item["views"]
|
||||||
|
except KeyError, e:
|
||||||
|
views = 0
|
||||||
|
|
||||||
|
c.execute("SELECT `Id` FROM items WHERE `ProviderId` = ? LIMIT 1", (unique_id,))
|
||||||
|
results = c.fetchall()
|
||||||
|
exists = (len(results) > 0)
|
||||||
|
|
||||||
|
if not exists:
|
||||||
|
try:
|
||||||
|
c.execute("INSERT INTO items (`HasTopic`, `Type`, `Provider`, `ProviderId`, `Title`, `Description`, `ItemUrl`, `SourceUrl`, `Views`, `TopicId`, `ParentId`)"
|
||||||
|
"VALUES (1, ?, 1, ?, ?, ?, ?, ?, ?, ?, 0)", (itemtype, unique_id, title, description, item_url, source_url, views, parent["_cl_id"]))
|
||||||
|
except oursql.ProgrammingError, e:
|
||||||
|
print repr((itemtype, unique_id, title, description, item_url, source_url, views, parent["_cl_id"]))
|
||||||
|
print repr(description)
|
||||||
|
raise
|
||||||
|
|
||||||
|
print "Inserted item %s" % title
|
||||||
|
|
||||||
|
item["_cl_id"] = c.lastrowid
|
||||||
|
else:
|
||||||
|
print "Skipped item %s" % title
|
||||||
|
item["_cl_id"] = results[0][0]
|
||||||
|
elif kind == "Separator":
|
||||||
|
pass # Ignore separators
|
||||||
|
else:
|
||||||
|
print "Unrecognized kind: %s" % item["kind"]
|
||||||
|
print repr(item)
|
||||||
|
date = datetime.datetime.strptime("2008-08-12T12:20:30Z", "%Y-%m-%dT%H:%M:%SZ")
|
||||||
|
|
||||||
|
try:
|
||||||
|
children = item["children"]
|
||||||
|
except KeyError, e:
|
||||||
|
pass
|
||||||
|
else:
|
||||||
|
for child in children:
|
||||||
|
self.process_item(child, level + 1, item)
|
||||||
|
|
||||||
|
crawler = KhanUniversityCrawler()
|
||||||
|
crawler.retrieve_dataset()
|
||||||
|
crawler.parse_dataset()
|
Loading…
Reference in New Issue