FEATURE: Add download script for Google Groups
This commit is contained in:
parent
efa265cbc8
commit
65db9326b4
|
@ -0,0 +1,192 @@
|
||||||
|
#!/usr/bin/env ruby
|
||||||
|
|
||||||
|
require "bundler/inline"
|
||||||
|
|
||||||
|
gemfile(true) do
|
||||||
|
source "https://rubygems.org"
|
||||||
|
|
||||||
|
gem "nokogiri"
|
||||||
|
gem "selenium-webdriver"
|
||||||
|
end
|
||||||
|
|
||||||
|
require "fileutils"
|
||||||
|
require "nokogiri"
|
||||||
|
require "optparse"
|
||||||
|
require "selenium-webdriver"
|
||||||
|
require "set"
|
||||||
|
require "yaml"
|
||||||
|
|
||||||
|
DEFAULT_OUTPUT_PATH = "/shared/import/data"
|
||||||
|
|
||||||
|
def driver
|
||||||
|
@driver ||= begin
|
||||||
|
chrome_args = ["headless", "disable-gpu"]
|
||||||
|
chrome_args << "no-sandbox" << "disable-dev-shm-usage" if inside_container?
|
||||||
|
options = Selenium::WebDriver::Chrome::Options.new(args: chrome_args)
|
||||||
|
Selenium::WebDriver.for(:chrome, options: options)
|
||||||
|
end
|
||||||
|
end
|
||||||
|
|
||||||
|
def inside_container?
|
||||||
|
File.foreach("/proc/1/cgroup") do |line|
|
||||||
|
return true if line.include?("docker")
|
||||||
|
end
|
||||||
|
|
||||||
|
false
|
||||||
|
end
|
||||||
|
|
||||||
|
MAX_GET_RETRIES = 5
|
||||||
|
MAX_FIND_RETRIES = 3
|
||||||
|
|
||||||
|
def get(url)
|
||||||
|
begin
|
||||||
|
retries ||= 0
|
||||||
|
driver.get(url)
|
||||||
|
rescue Net::ReadTimeout
|
||||||
|
sleep retries
|
||||||
|
retry if (retries += 1) < MAX_GET_RETRIES
|
||||||
|
end
|
||||||
|
end
|
||||||
|
|
||||||
|
def extract(css, elem = driver)
|
||||||
|
begin
|
||||||
|
retries ||= 0
|
||||||
|
elem.find_elements(css: css).map { |elem| yield(elem) }
|
||||||
|
rescue Net::ReadTimeout, Selenium::WebDriver::Error::StaleElementReferenceError
|
||||||
|
sleep retries
|
||||||
|
retry if (retries += 1) < MAX_FIND_RETRIES
|
||||||
|
end
|
||||||
|
end
|
||||||
|
|
||||||
|
def find(css, elem = driver)
|
||||||
|
begin
|
||||||
|
retries ||= 0
|
||||||
|
elem.find_element(css: css)
|
||||||
|
rescue Net::ReadTimeout, Selenium::WebDriver::Error::ElementNotVisibleError
|
||||||
|
sleep retries
|
||||||
|
retry if (retries += 1) < MAX_FIND_RETRIES
|
||||||
|
end
|
||||||
|
end
|
||||||
|
|
||||||
|
def crawl_categories
|
||||||
|
1.step(nil, 100).each do |start|
|
||||||
|
url = "https://groups.google.com/forum/?_escaped_fragment_=categories/#{@groupname}[#{start}-#{start + 99}]"
|
||||||
|
get(url)
|
||||||
|
|
||||||
|
urls = extract(".subject a[href*='#{@groupname}']") { |a| a["href"].sub("/d/topic/", "/forum/?_escaped_fragment_=topic/") }
|
||||||
|
break if urls.size == 0
|
||||||
|
|
||||||
|
urls.each { |url| crawl_topic(url) }
|
||||||
|
end
|
||||||
|
end
|
||||||
|
|
||||||
|
def crawl_topic(url)
|
||||||
|
if @scraped_topic_urls.include?(url)
|
||||||
|
puts "Skipping #{url}"
|
||||||
|
return
|
||||||
|
end
|
||||||
|
|
||||||
|
puts "Scraping #{url}"
|
||||||
|
get(url)
|
||||||
|
|
||||||
|
extract(".subject a[href*='#{@groupname}']") do |a|
|
||||||
|
[
|
||||||
|
a["href"].sub("/d/msg/", "/forum/message/raw?msg="),
|
||||||
|
a["title"].empty?
|
||||||
|
]
|
||||||
|
end.each { |url, might_be_deleted| crawl_message(url, might_be_deleted) }
|
||||||
|
|
||||||
|
@scraped_topic_urls << url
|
||||||
|
rescue
|
||||||
|
puts "Failed to scrape topic at #{url}"
|
||||||
|
raise
|
||||||
|
end
|
||||||
|
|
||||||
|
def crawl_message(url, might_be_deleted)
|
||||||
|
get(url)
|
||||||
|
|
||||||
|
filename = File.join(@path, "#{url[/#{@groupname}\/(.+)/, 1].sub("/", "-")}.eml")
|
||||||
|
content = find("pre")["innerText"]
|
||||||
|
|
||||||
|
File.write(filename, content)
|
||||||
|
rescue Selenium::WebDriver::Error::NoSuchElementError
|
||||||
|
raise unless might_be_deleted
|
||||||
|
puts "Message might be deleted. Skipping #{url}"
|
||||||
|
rescue
|
||||||
|
puts "Failed to scrape message at #{url}"
|
||||||
|
raise
|
||||||
|
end
|
||||||
|
|
||||||
|
def login
|
||||||
|
puts "Logging in..."
|
||||||
|
get("https://www.google.com/accounts/Login")
|
||||||
|
|
||||||
|
sleep(0.5)
|
||||||
|
|
||||||
|
email_element = find("input[type='email']")
|
||||||
|
driver.action.move_to(email_element)
|
||||||
|
email_element.send_keys(@email)
|
||||||
|
email_element.send_keys("\n")
|
||||||
|
|
||||||
|
sleep(2)
|
||||||
|
|
||||||
|
password_element = find("input[type='password']")
|
||||||
|
driver.action.move_to(password_element)
|
||||||
|
password_element.send_keys(@password)
|
||||||
|
password_element.send_keys("\n")
|
||||||
|
end
|
||||||
|
|
||||||
|
def crawl
|
||||||
|
start_time = Time.now
|
||||||
|
status_filename = File.join(@path, "status.yml")
|
||||||
|
@scraped_topic_urls = File.exists?(status_filename) ? YAML.load_file(status_filename) : Set.new
|
||||||
|
|
||||||
|
login
|
||||||
|
|
||||||
|
begin
|
||||||
|
crawl_categories
|
||||||
|
ensure
|
||||||
|
File.write(status_filename, @scraped_topic_urls.to_yaml)
|
||||||
|
end
|
||||||
|
|
||||||
|
elapsed = Time.now - start_time
|
||||||
|
puts "", "", "Done (%02dh %02dmin %02dsec)" % [elapsed / 3600, elapsed / 60 % 60, elapsed % 60]
|
||||||
|
end
|
||||||
|
|
||||||
|
def parse_arguments
|
||||||
|
puts ""
|
||||||
|
|
||||||
|
parser = OptionParser.new do |opts|
|
||||||
|
opts.banner = "Usage: google_groups.rb [options]"
|
||||||
|
|
||||||
|
opts.on("-e", "--email EMAIL", "email address of group admin or manager") { |v| @email = v }
|
||||||
|
opts.on("-p", "--password PASSWORD", "password of group admin or manager") { |v| @password = v }
|
||||||
|
opts.on("-g", "--groupname GROUPNAME") { |v| @groupname = v }
|
||||||
|
opts.on("--path PATH", "output path for emails") { |v| @path = v }
|
||||||
|
opts.on("-h", "--help") do
|
||||||
|
puts opts
|
||||||
|
exit
|
||||||
|
end
|
||||||
|
end
|
||||||
|
|
||||||
|
begin
|
||||||
|
parser.parse!
|
||||||
|
rescue OptionParser::ParseError => e
|
||||||
|
STDERR.puts e.message, "", parser
|
||||||
|
exit 1
|
||||||
|
end
|
||||||
|
|
||||||
|
mandatory = [:email, :password, :groupname]
|
||||||
|
missing = mandatory.select { |name| instance_variable_get("@#{name}").nil? }
|
||||||
|
|
||||||
|
if missing.any?
|
||||||
|
STDERR.puts "Missing arguments: #{missing.join(', ')}", "", parser
|
||||||
|
exit 1
|
||||||
|
end
|
||||||
|
|
||||||
|
@path = File.join(DEFAULT_OUTPUT_PATH, @groupname) if @path.nil?
|
||||||
|
FileUtils.mkpath(@path)
|
||||||
|
end
|
||||||
|
|
||||||
|
parse_arguments
|
||||||
|
crawl
|
|
@ -38,7 +38,7 @@ module ImportScripts::Mbox
|
||||||
private
|
private
|
||||||
|
|
||||||
METADATA_FILENAME = 'metadata.yml'.freeze
|
METADATA_FILENAME = 'metadata.yml'.freeze
|
||||||
IGNORED_FILE_EXTENSIONS = ['.dbindex', '.dbnames', '.digest', '.subjects']
|
IGNORED_FILE_EXTENSIONS = ['.dbindex', '.dbnames', '.digest', '.subjects', 'status.yml']
|
||||||
|
|
||||||
def index_category(directory)
|
def index_category(directory)
|
||||||
metadata_file = File.join(directory, METADATA_FILENAME)
|
metadata_file = File.join(directory, METADATA_FILENAME)
|
||||||
|
|
Loading…
Reference in New Issue