public static List <(int schuze, DateTime last)> VsechnySchuze(int rok)
{
var url = $"http://www.psp.cz/eknih/{rok}ps/stenprot/index.htm";
var html = GetHtml(url);
var doc = new XPath(html);
List <(int schuze, DateTime last)> sch = new List <(int schuze, DateTime last)>();
var schuze = doc.GetNodes("//a[contains(@href,'schuz/index')] | //a[contains(@href,'schuz/')]");
foreach (var s in schuze)
{
string t = System.Net.WebUtility.HtmlDecode(s.InnerText);
DateTime lastD;
if (DateTime.TryParseExact(t, "d. MMMM yyyy", System.Globalization.CultureInfo.GetCultureInfo("cs-cz"), System.Globalization.DateTimeStyles.AllowWhiteSpaces, out lastD))
{
var link = s.Attributes["href"].Value;
var cislo = int.Parse(Devmasters.RegexUtil.GetRegexGroupValue(link, "(?<num>\\d{1,4})schuz/", "num"));
sch.Add((cislo, lastD));
}
}
return(sch);
}
/// <summary>
///
/// </summary>
/// <param name="rok"></param>
/// <param name="schuze"></param>
/// <returns></returns>
public static IEnumerable <Steno> ParseSchuze(int rok, int schuze)
{
var htmlfragment = GenUrl(rok, schuze);
var item = new Steno()
{
tema = "Zahájení schůze", obdobi = rok, schuze = schuze
};
int proslovPoradi = 1;
bool first = true;
for (int i = 1; i < int.MaxValue; i++)
{
string html = "";
string pageUrl = string.Format(htmlfragment, i);
if (i == 1)
{
Console.WriteLine();
Console.Write(pageUrl + " ");
}
else
{
Console.Write(".");
}
try
{
html = GetHtml(pageUrl);
if (html == null) //no more data
{
goto SendLast;
}
}
catch (Exception e)
{
Console.WriteLine(e.ToString());
yield break;
}
var d = new XPath(html);
//Úterý 18. června 2019
string sdate = d.GetNodeText("//div[@class='document-nav']//p[@class='date']")?.Replace(" ", " ")?.ToLower();
if (string.IsNullOrEmpty(sdate))
{
continue;
}
foreach (var kv in mesice)
{
sdate = sdate.Replace(kv.Key, kv.Value);
}
DateTime?date = null;
if (
DateTime.TryParseExact(sdate, "dddd d. M. yyyy", System.Globalization.CultureInfo.GetCultureInfo("cs"), System.Globalization.DateTimeStyles.AssumeLocal | System.Globalization.DateTimeStyles.AllowWhiteSpaces, out var dd)
)
{
date = dd;
}
var bloky = d.GetNodes("//div[@id='main-content']/p");
for (int blokNum = 0; blokNum < bloky.Count; blokNum++)
{
var b = bloky[blokNum];
//skip prazdne
if (string.IsNullOrEmpty(b.InnerText))
{
continue;
}
var rawtext = System.Net.WebUtility.HtmlDecode(b.InnerText)?.Trim();
if (string.IsNullOrWhiteSpace(rawtext))
{
continue;
}
var plaintext = rawtext.Replace("\n", " ").Trim();
//check poznamky typu
//(14.40 hodin)
//(pokračuje Filip)
if (blokNum < 5 && plaintext.StartsWith("(") && plaintext.EndsWith(")"))
{
continue;
}
bool newProslov = false;
//nekdy je v <b><a>, nekdy pouze <a>
var mluvci = XPath.Tools.GetNodeText(b, "./a[starts-with(@href,'/sqw/detail')]")
?? XPath.Tools.GetNodeText(b, "./b/a[starts-with(@href,'http')]") //obcas odkaz mimo psp
?? XPath.Tools.GetNodeText(b, "./b/a[starts-with(@href,'/sqw/')]") //obcas ruzne a v 1998
?? XPath.Tools.GetNodeText(b, "./b/a[starts-with(@HREF,'/sqw/')]") //obcas HREF
?? XPath.Tools.GetNodeText(b, "./b/a[starts-with(@href,'/ff/')]") //2002
?? XPath.Tools.GetNodeText(b, "./b/b/a[string-length(@href)=0]") //1998
?? GetRegexGroupValue(b.InnerHtml, @"^\s*<b> ((?<name>(\w*\s*){2,})) [:]? </b> \s? [:]? ", "name") //v 2006 a starsich jsou i jmena v <b> bez <a>
;
mluvci = mluvci?.Trim();
if (mluvci?.EndsWith(":") == true)
{
mluvci = mluvci.Substring(0, mluvci.Length - 1);
}
if (mluvci?.Contains(" ") == true)
{
mluvci = mluvci.Replace(" ", " ").Trim();
}
string funkce = "";
if (!string.IsNullOrEmpty(mluvci))
{
//pouze jmeno, funkci stranou
foreach (var f in vsechnyFunkce)
{
if (mluvci.StartsWith(f, StringComparison.CurrentCultureIgnoreCase))
{
funkce = f;
mluvci = mluvci.Substring(f.Length).Trim();
break;
}
}
var nalez = mluvci.IndexOf(" ČR"); //+ vsechny fce s ČR v nazvu (typicky ministri)
if (nalez > 0)
{
funkce = mluvci.Substring(0, nalez + 3).Trim();
mluvci = mluvci.Substring(nalez + 3).Trim();
}
nalez = mluvci.IndexOf(" CR"); //+ vsechny fce s CR v nazvu (typicky ministri)
if (nalez > 0)
{
funkce = mluvci.Substring(0, nalez + 3).Trim();
mluvci = mluvci.Substring(nalez + 3).Trim();
}
}
newProslov = !string.IsNullOrEmpty(mluvci);
string tema = null;
if (string.IsNullOrEmpty(mluvci))
{
if (proslovPoradi > 1) //ignoruj prvni prispevek, to je zahajeni schuze)
{
tema = XPath.Tools.GetNodeText(b, "./b");
if (!string.IsNullOrEmpty(tema))
{
tema = tema.Replace("\n", " ");
tema = Devmasters.TextUtil.ReplaceDuplicates(tema, ' ').Trim();
item.tema = tema;
}
}
}
string text = rawtext;
if (newProslov)
{
string regex = "^" + funkce.Replace(" ", @"\s{1,5}")
+ @"\s{0,5}"
+ mluvci.Replace(" ", @"\s{1,5}")
+ @"\s{0,1}[:]?"; //nekdy tam je :, nekdy ne
text = Regex.Replace(text, regex, "").Trim();
}
//hlasovaniUrl
//http://www.psp.cz/sqw/hlasy.sqw?G=69684
//nebo https://www.psp.cz/ff/fa/4c/01.htm s redirectem, to zatim ignoruju
string hlasovani = GetRegexGroupValue(b.InnerHtml, @"/sqw/hlasy\.sqw\?g=(?<n>\d*)", "n");
int?hlasovaniId = null;
if (!string.IsNullOrEmpty(hlasovani))
{
hlasovaniId = Convert.ToInt32(hlasovani);
}
if (newProslov &&
first == false
)
{
item.poradi = proslovPoradi;
if (string.IsNullOrEmpty(tema))
{
tema = item.tema; //prenes tema do dalsiho prispevku
}
yield return(item);
proslovPoradi++;
item = new Steno()
{
obdobi = rok, schuze = schuze
};
item.poradi = proslovPoradi;
item.celeJmeno = mluvci;
item.funkce = funkce;
item.text = "";
item.url = pageUrl; //url zacatku proslovu
item.cisloHlasovani = hlasovaniId;
item.datum = date;
item.tema = tema;
}
if (!string.IsNullOrEmpty(text))
{
item.text += text + "\n";
}
if (string.IsNullOrEmpty(item.url)) //url zacatku proslovu
{
item.url = pageUrl;
}
if (item.cisloHlasovani.HasValue == false && hlasovaniId.HasValue)
{
item.cisloHlasovani = hlasovaniId;
}
if (item.datum.HasValue == false)
{
item.datum = date;
}
if (first)
{
item.celeJmeno = mluvci;
item.funkce = funkce;
if (!string.IsNullOrEmpty(tema))
{
item.tema = tema;
}
}
first = false;
}
}
SendLast:
yield return(item);
}