74 lines
No EOL
2.6 KiB
Python
74 lines
No EOL
2.6 KiB
Python
import datetime
|
|
import re
|
|
|
|
import xmltodict
|
|
import pandas as pd
|
|
import markdownify
|
|
|
|
import os
|
|
from pathlib import Path
|
|
|
|
from utils.documents_to_database import documents_to_database
|
|
|
|
## %% 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
|
|
wordpress_xml_path = os.path.join(project_root, 'import_data', 'data', 'Wordpress', 'jevalideca', 'wordpress.xml')
|
|
|
|
with open(wordpress_xml_path, "r") as xml_file:
|
|
wordpress_xml = xml_file.read()
|
|
|
|
## %% Convertir le XML en dictionnaire Python
|
|
wordpress_dict = xmltodict.parse(wordpress_xml)
|
|
|
|
## %% Créer un DataFrame à partir des éléments du canal RSS
|
|
items_df = pd.DataFrame(wordpress_dict['rss']['channel']['item'])
|
|
|
|
## %% Filtrer les éléments pour ne garder que les pages et les articles publiés
|
|
items_df_filter = items_df[
|
|
(items_df['wp:post_type'].isin(['page', 'post'])) & (items_df['wp:status'] == 'publish')].copy()
|
|
|
|
## %% Convertir la date de publication en timestamp
|
|
items_df_filter['creation_timestamp'] = items_df_filter['wp:post_date'].apply(
|
|
lambda x: int(datetime.datetime.fromisoformat(x).timestamp()))
|
|
|
|
## %% Définir une fonction pour convertir le contenu WordPress en Markdown
|
|
def wp_to_markdown(x):
|
|
try:
|
|
md_text = re.sub(r'\n+', ' ', markdownify.markdownify(x, heading_style='ATX')).strip()
|
|
except Exception as e:
|
|
print(e)
|
|
md_text = str()
|
|
pass
|
|
return md_text
|
|
|
|
## %% Appliquer la conversion Markdown au contenu
|
|
items_df_filter['texte'] = items_df_filter['content:encoded'].apply(lambda x: wp_to_markdown(x))
|
|
|
|
## %% Renommer les colonnes pour correspondre au format standard
|
|
items_df_filter.rename(columns={"link": "uri", "wp:post_type": "type"}, inplace=True)
|
|
|
|
## %% Ajouter des colonnes d'identification
|
|
items_df_filter['index'] = "rs_wordpress_jevalideca"
|
|
items_df_filter['network'] = "Wordpress"
|
|
items_df_filter['chemin'] = wordpress_xml_path
|
|
|
|
## %% Remplacer les valeurs NaN par des chaînes vides
|
|
items_df_filter.fillna(value="", inplace=True)
|
|
|
|
## %% Envoyer les données à la base de données
|
|
documents_to_database(items_df_filter[['title',
|
|
'uri',
|
|
'type',
|
|
'creation_timestamp',
|
|
'texte',
|
|
'index',
|
|
'network',
|
|
'chemin']]) |