File size: 11,839 Bytes
06efd0e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 |
from datetime import datetime
import requests
from bs4 import BeautifulSoup
import json
import os
import time
import warnings
import re
import concurrent.futures
import threading
from typing import List, Dict, Any
warnings.filterwarnings("ignore")
class TsgDocIndexer:
def __init__(self, max_workers=10):
self.main_ftp_url = "https://www.3gpp.org/ftp"
self.indexer_file = "indexed_docs.json"
self.indexer, self.latest_date = self.load_indexer()
self.valid_doc_pattern = re.compile(r'^(S[1-6P]|C[1-6P])-\d+', flags=re.IGNORECASE)
self.max_workers = max_workers
# Verrous pour les opérations thread-safe
self.print_lock = threading.Lock()
self.indexer_lock = threading.Lock()
# Compteurs pour le suivi
self.total_indexed = 0
self.processed_count = 0
self.total_count = 0
def load_indexer(self):
"""Load existing index if available"""
if os.path.exists(self.indexer_file):
with open(self.indexer_file, "r", encoding="utf-8") as f:
x = json.load(f)
return x["docs"], x["last_indexed_date"]
return {}, None
def save_indexer(self):
"""Save the updated index"""
with open(self.indexer_file, "w", encoding="utf-8") as f:
today = datetime.today()
self.latest_date = today.strftime("%d/%m/%Y-%H:%M:%S")
output = {"docs": self.indexer, "last_indexed_date": self.latest_date}
json.dump(output, f, indent=4, ensure_ascii=False)
def get_docs_from_url(self, url):
"""Récupérer la liste des documents/répertoires depuis une URL"""
try:
response = requests.get(url, verify=False, timeout=10)
soup = BeautifulSoup(response.text, "html.parser")
return [item.get_text() for item in soup.select("tr td a")]
except Exception as e:
with self.print_lock:
print(f"Erreur lors de l'accès à {url}: {e}")
return []
def is_valid_document_pattern(self, filename):
"""Vérifier si le nom de fichier correspond au motif requis"""
return bool(self.valid_doc_pattern.match(filename))
def is_zip_file(self, filename):
"""Vérifier si le fichier est un ZIP"""
return filename.lower().endswith('.zip')
def extract_doc_id(self, filename):
"""Extraire l'identifiant du document à partir du nom de fichier s'il correspond au motif"""
if self.is_valid_document_pattern(filename):
match = self.valid_doc_pattern.match(filename)
if match:
# Retourner le motif complet (comme S1-12345)
full_id = filename.split('.')[0] # Enlever l'extension si présente
return full_id.split('_')[0] # Enlever les suffixes après underscore si présents
return None
def process_zip_files(self, files_list, base_url, workshop=False):
"""Traiter une liste de fichiers pour trouver et indexer les ZIP valides"""
indexed_count = 0
for file in files_list:
if file in ['./', '../', 'ZIP/', 'zip/']:
continue
# Vérifier si c'est un fichier ZIP et s'il correspond au motif
if self.is_zip_file(file) and (self.is_valid_document_pattern(file) or workshop):
file_url = f"{base_url}/{file}"
# Extraire l'ID du document
doc_id = self.extract_doc_id(file)
if doc_id is None:
doc_id = file.split('.')[0]
if doc_id:
# Vérifier si ce fichier est déjà indexé
with self.indexer_lock:
if doc_id in self.indexer and self.indexer[doc_id] == file_url:
continue
# Ajouter ou mettre à jour l'index
self.indexer[doc_id] = file_url
indexed_count += 1
self.total_indexed += 1
return indexed_count
def process_meeting(self, meeting, wg_url, workshop=False):
"""Traiter une réunion individuelle avec multithreading"""
try:
if meeting in ['./', '../']:
return 0
meeting_url = f"{wg_url}/{meeting}"
with self.print_lock:
print(f" Vérification de la réunion: {meeting}")
# Vérifier le contenu de la réunion
meeting_contents = self.get_docs_from_url(meeting_url)
key = None
if "docs" in [x.lower() for x in meeting_contents]:
key = "docs"
elif "tdocs" in [x.lower() for x in meeting_contents]:
key = "tdocs"
if key is not None:
docs_url = f"{meeting_url}/{key}"
with self.print_lock:
print(f" Vérification des documents dans {docs_url}")
# Récupérer la liste des fichiers dans le dossier Docs
docs_files = self.get_docs_from_url(docs_url)
# 1. Indexer les fichiers ZIP directement dans le dossier Docs
docs_indexed_count = self.process_zip_files(docs_files, docs_url, workshop)
if docs_indexed_count > 0:
with self.print_lock:
print(f" {docs_indexed_count} nouveaux fichiers ZIP indexés dans Docs")
# 2. Vérifier le sous-dossier ZIP s'il existe
if "zip" in [x.lower() for x in docs_files]:
zip_url = f"{docs_url}/zip"
with self.print_lock:
print(f" Vérification du dossier ZIP: {zip_url}")
# Récupérer les fichiers dans le sous-dossier ZIP
zip_files = self.get_docs_from_url(zip_url)
# Indexer les fichiers ZIP dans le sous-dossier ZIP
zip_indexed_count = self.process_zip_files(zip_files, zip_url, workshop)
if zip_indexed_count > 0:
with self.print_lock:
print(f" {zip_indexed_count} nouveaux fichiers ZIP indexés dans le dossier ZIP")
# Mise à jour du compteur de progression
with self.indexer_lock:
self.processed_count += 1
# Affichage de la progression
with self.print_lock:
progress = (self.processed_count / self.total_count) * 100 if self.total_count > 0 else 0
print(f"\rProgression: {self.processed_count}/{self.total_count} réunions traitées ({progress:.1f}%)", end="")
return 1 # Réunion traitée avec succès
except Exception as e:
with self.print_lock:
print(f"\nErreur lors du traitement de la réunion {meeting}: {str(e)}")
return 0
def process_workgroup(self, wg, main_url):
"""Traiter un groupe de travail avec multithreading pour ses réunions"""
if wg in ['./', '../']:
return
wg_url = f"{main_url}/{wg}"
with self.print_lock:
print(f" Vérification du groupe de travail: {wg}")
# Récupérer les dossiers de réunion
meeting_folders = self.get_docs_from_url(wg_url)
# Ajouter au compteur total
self.total_count += len([m for m in meeting_folders if m not in ['./', '../']])
# Utiliser ThreadPoolExecutor pour traiter les réunions en parallèle
with concurrent.futures.ThreadPoolExecutor(max_workers=self.max_workers) as executor:
futures = [executor.submit(self.process_meeting, meeting, wg_url)
for meeting in meeting_folders if meeting not in ['./', '../']]
# Attendre que toutes les tâches soient terminées
concurrent.futures.wait(futures)
# Sauvegarder après chaque groupe de travail
with self.indexer_lock:
self.save_indexer()
def index_all_tdocs(self):
"""Indexer tous les documents ZIP dans la structure FTP 3GPP avec multithreading"""
print("Démarrage de l'indexation des documents ZIP 3GPP (S1-S6, SP, C1-C6, CP)...")
start_time = time.time()
docs_count_before = len(self.indexer)
# Principaux groupes TSG
main_groups = ["tsg_sa", "tsg_ct"] # Ajouter d'autres si nécessaire
for main_tsg in main_groups:
print(f"\nIndexation de {main_tsg.upper()}...")
main_url = f"{self.main_ftp_url}/{main_tsg}"
# Récupérer les groupes de travail
workgroups = self.get_docs_from_url(main_url)
# Traiter chaque groupe de travail séquentiellement
# (mais les réunions à l'intérieur seront traitées en parallèle)
for wg in workgroups:
self.process_workgroup(wg, main_url)
docs_count_after = len(self.indexer)
new_docs_count = docs_count_after - docs_count_before
print(f"\nIndexation terminée en {time.time() - start_time:.2f} secondes")
print(f"Nouveaux documents ZIP indexés: {new_docs_count}")
print(f"Total des documents dans l'index: {docs_count_after}")
return self.indexer
def index_all_workshops(self):
print("Démarrage de l'indexation des workshops ZIP 3GPP...")
start_time = time.time()
docs_count_before = len(self.indexer)
print("\nIndexation du dossier 'workshop'")
main_url = f"{self.main_ftp_url}/workshop"
# Récupérer les dossiers de réunion
meeting_folders = self.get_docs_from_url(main_url)
# Ajouter au compteur total
self.total_count += len([m for m in meeting_folders if m not in ['./', '../']])
# Utiliser ThreadPoolExecutor pour traiter les réunions en parallèle
with concurrent.futures.ThreadPoolExecutor(max_workers=self.max_workers) as executor:
futures = [executor.submit(self.process_meeting, meeting, main_url, workshop=True)
for meeting in meeting_folders if meeting not in ['./', '../']]
concurrent.futures.wait(futures)
# Sauvegarder après chaque groupe de travail
with self.indexer_lock:
self.save_indexer()
docs_count_after = len(self.indexer)
new_docs_count = docs_count_after - docs_count_before
print(f"\nIndexation terminée en {time.time() - start_time:.2f} secondes")
print(f"Nouveaux documents ZIP indexés: {new_docs_count}")
print(f"Total des documents dans l'index: {docs_count_after}")
return self.indexer
def main():
# Nombre de workers pour le multithreading (ajustable selon les ressources disponibles)
max_workers = 64
indexer = TsgDocIndexer(max_workers=max_workers)
try:
indexer.index_all_tdocs()
indexer.index_all_workshops()
except Exception as e:
print(f"Erreur lors de l'indexation: {e}")
finally:
indexer.save_indexer()
print("Index sauvegardé.")
if __name__ == "__main__":
main()
|