libere-tes-chaine-de-mots/import_data/26_importation_threads.py

import pandas as pd
import json
import os
from pathlib import Path

from utils.documents_to_database import documents_to_database
from utils.convert_encoding_meta import convert_encoding_meta

## %% Obtenir le répertoire du fichier courant
# Obtenir le répertoire du fichier courant
try:
    # Ceci fonctionnera lors de l'exécution en tant que script
    script_dir = Path(__file__).parent.parent
except NameError:
    # Ceci fonctionnera dans des environnements interactifs
    script_dir = Path().absolute()

project_root = script_dir
instagram_data_path = os.path.join(project_root, 'import_data', 'data', 'Instagram', 'threads', 'threads_and_replies.json')

## %% Lire et parser le fichier JSON des posts Threads
with open(instagram_data_path, "r") as posts:
    post_comments_1 = json.loads(convert_encoding_meta(posts.read()))

## %% Extraire les données pertinentes de chaque post Threads
threads_comments = []
for post in post_comments_1['text_post_app_text_posts']:
    for element in post['media']:
        threads_comments.append({"texte": element['title'],
                                 'creation_timestamp': element['creation_timestamp'],
                                 "chemin": instagram_data_path,
                                 "index": "rs_instagram_threads",
                                 "type": "posts",
                                 "network": "Threads"})

## %% Créer un DataFrame à partir des données extraites
ig_comments_df = pd.DataFrame(threads_comments)

## %% Remplacer les valeurs NaN par des chaînes vides
ig_comments_df.fillna(value="", inplace=True)

## %% Supprimer les doublons basés sur le texte et la date de création
ig_comments_df.drop_duplicates(subset=['texte', 'creation_timestamp'], inplace=True)

## %% Filtrer les posts avec un texte vide
# Filtrer les textes vides
ig_comments_df = ig_comments_df[~ig_comments_df['texte'].str.strip('\n').str.strip().eq('')]

## %% Envoyer les données à la base de données
documents_to_database(ig_comments_df)