plomlompom.com Git - berlin-corona-table/blob - scrape.py

   1 #!/usr/bin/env python3
   2 import urllib.request
   3 import datetime
   4 import bs4
   5 import re
   6
   7 url_prefix = 'https://www.berlin.de'
   8 pm_dir = '/sen/gpg/service/presse/2020/'
   9 pm_nav_path = pm_dir + '?page_at_1_0='
  10
  11 # Map abbreviations to full names (and their alternate spellings).
  12 abbrevs = {
  13   'CW': {'Charlottenburg-Wilmersdorf'},
  14   'FK': {'Friedrichshain-Kreuzberg'},
  15   'Li': {'Lichtenberg'},
  16   'MH': {'Marzahn-Hellersdorf'},
  17   'Mi': {'Mitte'},
  18   'Ne': {'Neukölln', 'Neuköln'},
  19   'Pa': {'Pankow'},
  20   'Re': {'Reinickendorf'},
  21   'Sp': {'Spandau'},
  22   'SZ': {'Steglitz-Zehlendorf'},
  23   'TS': {'Tempelhof-Schöneberg'},
  24   'TK': {'Treptow-Köpenick'},
  25   'sum': {'Summe', 'Berlin'},
  26 }
  27
  28 # some pre-filled values
  29 data = {
  30    # For these, only image files are available for the table data.
  31     datetime.datetime(2020, 7, 2): {
  32         'CW': {'growth': 4, 'total': 851},
  33         'FK': {'growth': 10, 'total': 681},
  34         'Li': {'growth': 3, 'total': 427},
  35         'MH': {'growth': 4, 'total': 468},
  36         'Mi': {'growth': 0, 'total': 1202},
  37         'Ne': {'growth': 7, 'total': 1031},
  38         'Pa': {'growth': 3, 'total': 784},
  39         'Re': {'growth': 6, 'total': 660},
  40         'Sp': {'growth': 3, 'total': 450},
  41         'SZ': {'growth': 0, 'total': 591},
  42         'TS': {'growth': 3, 'total': 798},
  43         'TK': {'growth': 0, 'total': 401},
  44         'sum': {'growth': 43, 'total': 8344}
  45     },
  46     datetime.datetime(2020, 4, 5): {
  47         'CW': {'growth': 9, 'total': 462},
  48         'FK': {'growth': 2, 'total': 352},
  49         'Li': {'growth': 0, 'total': 142},
  50         'MH': {'growth': 3, 'total': 127},
  51         'Mi': {'growth': 14, 'total': 537},
  52         'Ne': {'growth': 0, 'total': 392},
  53         'Pa': {'growth': 10, 'total': 378},
  54         'Re': {'growth': 9, 'total': 248},
  55         'Sp': {'growth': 3, 'total': 150},
  56         'SZ': {'growth': 0, 'total': 312},
  57         'TS': {'growth': 8, 'total': 394},
  58         'TK': {'growth': 3, 'total': 193},
  59         'sum': {'growth': 61, 'total': 3687}
  60     },
  61     datetime.datetime(2020, 4, 4): {
  62         'CW': {'growth': 2, 'total': 453},
  63         'FK': {'growth': 7, 'total': 350},
  64         'Li': {'growth': 0, 'total': 142},
  65         'MH': {'growth': 15, 'total': 124},
  66         'Mi': {'growth': 22, 'total': 523},
  67         'Ne': {'growth': 15, 'total': 392},
  68         'Pa': {'growth': 10, 'total': 368},
  69         'Re': {'growth': 5, 'total': 239},
  70         'Sp': {'growth': 21, 'total': 147},
  71         'SZ': {'growth': 12, 'total': 312},
  72         'TS': {'growth': 24, 'total': 386},
  73         'TK': {'growth': 7, 'total': 190},
  74         'sum': {'growth': 140, 'total': 3626}
  75     },
  76     datetime.datetime(2020, 4, 3): {
  77         'CW': {'growth': 44, 'total': 451},
  78         'FK': {'growth': 17, 'total': 343},
  79         'Li': {'growth': 7, 'total': 142},
  80         'MH': {'growth': 4, 'total': 109},
  81         'Mi': {'growth': 4, 'total': 501},
  82         'Ne': {'growth': 40, 'total': 377},
  83         'Pa': {'growth': 39, 'total': 358},
  84         'Re': {'growth': 26, 'total': 234},
  85         'Sp': {'growth': 9, 'total': 126},
  86         'SZ': {'growth': 18, 'total': 300},
  87         'TS': {'growth': 41, 'total': 362},
  88         'TK': {'growth': 14, 'total': 183},
  89         'sum': {'growth': 263, 'total': 3486}
  90     },
  91    # Here the totals needed to be reconstructed.
  92    datetime.datetime(2020, 3, 9): {
  93         'CW': {'growth': 4, 'total': 13},
  94         'FK': {'growth': 3, 'total': 12},
  95         'Li': {'growth': 0, 'total': 1},
  96         'MH': {'growth': 1, 'total': 2},
  97         'Mi': {'growth': 0, 'total': 8},
  98         'Ne': {'growth': 1, 'total': 3},
  99         'Pa': {'growth': 1, 'total': 6},
 100         'Re': {'growth': 0, 'total': 3},
 101         'Sp': {'growth': 0, 'total': 2},
 102         'SZ': {'growth': 0, 'total': 3},
 103         'TS': {'growth': 0, 'total': 5},
 104         'TK': {'growth': 0, 'total': 0},
 105         'sum': {'growth': 10, 'total': 58}
 106    },
 107    # Here the growth numbers needed to be reconstructed.
 108    datetime.datetime(2020, 3, 8): {
 109         'CW': {'growth': 0, 'total': 9},
 110         'FK': {'growth': 4, 'total': 9},
 111         'Li': {'growth': 1, 'total': 1},
 112         'MH': {'growth': 0, 'total': 1},
 113         'Mi': {'growth': 0, 'total': 8},
 114         'Ne': {'growth': 0, 'total': 2},
 115         'Pa': {'growth': 0, 'total': 5},
 116         'Re': {'growth': 0, 'total': 3},
 117         'Sp': {'growth': 2, 'total': 2},
 118         'SZ': {'growth': 1, 'total': 3},
 119         'TS': {'growth': 0, 'total': 5},
 120         'TK': {'growth': 0, 'total': 0},
 121         'sum': {'growth': 8, 'total': 48}
 122    },
 123    # Here the growth numbers needed to be reconstructed.
 124    datetime.datetime(2020, 3, 7): {
 125         'CW': {'growth': 6, 'total': 9},
 126         'FK': {'growth': 1, 'total': 5},
 127         'Li': {'growth': 0, 'total': 0},
 128         'MH': {'growth': 0, 'total': 1},
 129         'Mi': {'growth': 1, 'total': 8},
 130         'Ne': {'growth': 0, 'total': 2},
 131         'Pa': {'growth': 1, 'total': 5},
 132         'Re': {'growth': 0, 'total': 3},
 133         'Sp': {'growth': 0, 'total': 0},
 134         'SZ': {'growth': 2, 'total': 2},
 135         'TS': {'growth': 1, 'total': 5},
 136         'TK': {'growth': 0, 'total': 0},
 137         'sum': {'growth': 12, 'total': 40}
 138    },
 139    # Here the growth numbers needed to be reconstructed.
 140    datetime.datetime(2020, 3, 6): {
 141         'CW': {'growth': 1, 'total': 3},
 142         'FK': {'growth': 0, 'total': 4},
 143         'Li': {'growth': 0, 'total': 0},
 144         'MH': {'growth': 0, 'total': 1},
 145         'Mi': {'growth': 4, 'total': 7},
 146         'Ne': {'growth': 1, 'total': 2},
 147         'Pa': {'growth': 1, 'total': 4},
 148         'Re': {'growth': 0, 'total': 3},
 149         'Sp': {'growth': 0, 'total': 0},
 150         'SZ': {'growth': 0, 'total': 0},
 151         'TS': {'growth': 2, 'total': 4},
 152         'TK': {'growth': 0, 'total': 0},
 153         'sum': {'growth': 9, 'total': 28}
 154    },
 155    # Here the growth numbers needed to be reconstructed.
 156    datetime.datetime(2020, 3, 5): {
 157         'CW': {'growth': 2, 'total': 2},
 158         'FK': {'growth': 0, 'total': 4},
 159         'Li': {'growth': 0, 'total': 0},
 160         'MH': {'growth': 0, 'total': 1},
 161         'Mi': {'growth': 0, 'total': 3},
 162         'Ne': {'growth': 0, 'total': 1},
 163         'Pa': {'growth': 1, 'total': 3},
 164         'Re': {'growth': 2, 'total': 3},
 165         'Sp': {'growth': 0, 'total': 0},
 166         'SZ': {'growth': 0, 'total': 0},
 167         'TS': {'growth': 1, 'total': 2},
 168         'TK': {'growth': 0, 'total': 0},
 169         'sum': {'growth': 6, 'total': 19}
 170    },
 171    # Here the growth numbers needed to be reconstructed.
 172    datetime.datetime(2020, 3, 4): {
 173         'CW': {'growth': 0, 'total': 0},
 174         'FK': {'growth': 2, 'total': 4},
 175         'Li': {'growth': 0, 'total': 0},
 176         'MH': {'growth': 0, 'total': 1},
 177         'Mi': {'growth': 0, 'total': 3},
 178         'Ne': {'growth': 0, 'total': 1},
 179         'Pa': {'growth': 1, 'total': 2},
 180         'Re': {'growth': 1, 'total': 1},
 181         'Sp': {'growth': 0, 'total': 0},
 182         'SZ': {'growth': 0, 'total': 0},
 183         'TS': {'growth': 0, 'total': 1},
 184         'TK': {'growth': 0, 'total': 0},
 185         'sum': {'growth': 4, 'total': 13}
 186    },
 187    # Here the growth numbers needed to be reconstructed.
 188    datetime.datetime(2020, 3, 3): {
 189         'CW': {'growth': 0, 'total': 0},
 190         'FK': {'growth': 2, 'total': 2},
 191         'Li': {'growth': 0, 'total': 0},
 192         'MH': {'growth': 0, 'total': 1},
 193         'Mi': {'growth': 0, 'total': 3},
 194         'Ne': {'growth': 0, 'total': 1},
 195         'Pa': {'growth': 1, 'total': 1},
 196         'Re': {'growth': 0, 'total': 0},
 197         'Sp': {'growth': 0, 'total': 0},
 198         'SZ': {'growth': 0, 'total': 0},
 199         'TS': {'growth': 0, 'total': 1},
 200         'TK': {'growth': 0, 'total': 0},
 201         'sum': {'growth': 3, 'total': 9}
 202    },
 203 }
 204 fixes = {
 205    # Here the official total is 215, while the summation of district
 206    # numbers only adds up to 125 – pretty much looks like a mere
 207    # transposition of digits.
 208    datetime.datetime(2020, 3, 27): {
 209        'sum': {
 210            'growth': 125
 211        }
 212    },
 213    # Here the official total is 1937, while the summation of district
 214    # numbers only adds up to 1917; furthermore, the original value for
 215    # SZ is 118 (+18), which makes no sense, as the day before is
 216    # 120 (+15) and the day after is 147 (+15).  The following is a
 217    # compromise to keep as many surrounding numbers stable as possible.
 218    datetime.datetime(2020, 3, 26): {
 219        'SZ': {
 220            'growth': 12
 221        },
 222        'sum': {
 223            'growth': 286
 224        }
 225    },
 226    # Here the official total is 220, while the summation of district
 227    # numbers adds up to 228 – looks like someone misread an 8 as a 0.
 228    datetime.datetime(2020, 3, 25): {
 229        'sum': {
 230            'growth': 220
 231        }
 232    },
 233 }
 234
 235 # Scan navigation bar for maximum pagination value.
 236 url = url_prefix + pm_dir
 237 with urllib.request.urlopen(url) as response:
 238    html = response.read()
 239 soup = bs4.BeautifulSoup(html, 'html.parser')
 240 max_page=0
 241 for link in soup.find_all('a'):
 242     href = link['href']
 243     if str.startswith(href, pm_nav_path):
 244         max_test = int(href.split('=')[1])
 245         max_page = max_test if max_test > max_page else max_page
 246
 247 # Scan paginated press release links for daily Corona number briefing links.
 248 day_urls = []
 249 for i in range(max_page):
 250     url = url_prefix + pm_nav_path + str(i + 1)
 251     with urllib.request.urlopen(url) as response:
 252         html = response.read()
 253     soup = bs4.BeautifulSoup(html, 'html.parser')
 254     for link in soup.find_all('a'):
 255         if (not link.string) or\
 256            (not link.string.startswith('Coronavirus: Derzeit') and
 257             not link.string.startswith('Coronavirus in Berlin: Bestätigte Fälle')):
 258             continue
 259         day_urls += [link['href']]
 260
 261 # Collect infection data.
 262 first_run = True
 263 districts_sorted = []
 264 date_limit = datetime.datetime(2020, 3, 11)
 265 for path in day_urls:
 266     url = url_prefix + path
 267     with urllib.request.urlopen(url) as response:
 268         html = response.read()
 269     soup = bs4.BeautifulSoup(html, 'html.parser')
 270     date_title = soup.find('div', class_='pressnumber')
 271     m = re.search('[0-9]+\\.[0-9]+\\.[0-9]+', date_title.string)
 272     date_formatted = m.group(0)
 273     date = datetime.datetime.strptime(date_formatted , '%d.%m.%Y')
 274     if date_limit > date:
 275         break
 276     # On that day, two press releases were released, for that and the prev day.
 277     if date == datetime.datetime(2020, 3, 15) and date in data:
 278        date = datetime.datetime(2020, 3, 14)
 279     # From here on, press releases describe numbers from prev day.
 280     if date <= datetime.datetime(2020, 3, 13):
 281        date = date - datetime.timedelta(days=1)
 282     table = soup.find('table')
 283     # For 13th of March we lack a press release.
 284     if table is None and (date in data or date == datetime.datetime(2020, 3, 13)):
 285         continue
 286     data[date] = {}
 287     for tr in [tr for tr in table.children if type(tr) == bs4.element.Tag][1:]:
 288          printable_tds = []
 289          for td in [td for td in tr.children if type(td) == bs4.element.Tag][:2]:
 290              printable_string = ' '.join([s for s in td.strings])
 291              printable_tds += [printable_string.strip()]
 292          district_long = printable_tds[0]
 293          district_short = [k for k in abbrevs if district_long in abbrevs[k]][0]
 294          if first_run:
 295              districts_sorted += [district_short]
 296          if date == datetime.datetime(2020, 3, 10):
 297             # For this date we only get totals.
 298             data[date][district_short] = {'total': int(printable_tds[1])}
 299          else:
 300              split_char = ' '
 301              if not split_char in printable_tds[1]:
 302                  split_char = '('
 303              total_str, growth_str = printable_tds[1].split(split_char)
 304              growth = int(growth_str.replace('(', '').replace(')', '').\
 305                           replace('+', ''))
 306              total = int(total_str.replace('.', ''))
 307              data[date][district_short] = {'growth': growth, 'total': total}
 308     first_run = False
 309
 310 def neighbor_days(day_target):
 311    day_delta = datetime.timedelta(days=1)
 312    return day_target + day_delta, day_target - day_delta
 313
 314 # Reconstruct growth for 10th of March.
 315 day_target = datetime.datetime(2020, 3, 10)
 316 day_after, day_before = neighbor_days(day_target)
 317 for district in [d for d in districts_sorted]:
 318    total_target = data[day_target][district]['total']
 319    total_before = data[day_before][district]['total']
 320    data[day_target][district]['growth'] = total_target - total_before
 321
 322 # Reconstruct data for 13th of March.
 323 day_target = datetime.datetime(2020, 3, 13)
 324 day_after, day_before = neighbor_days(day_target)
 325 data[day_target] = {}
 326 for district in [d for d in districts_sorted]:
 327    data[day_target][district] = {}
 328    total_after = data[day_after][district]['total']
 329    growth_after = data[day_after][district]['growth']
 330    total_target = total_after - growth_after
 331    data[day_target][district]['total'] = total_target
 332    total_before = data[day_before][district]['total']
 333    data[day_target][district]['growth'] = total_target - total_before
 334
 335 dates_sorted = list(data.keys())
 336 dates_sorted.sort()
 337 dates_sorted.reverse()
 338
 339 # Apply fixes and ensure integrity of results
 340 for date in fixes:
 341     for district in fixes[date]:
 342         for type_ in fixes[date][district]:
 343             data[date][district][type_] = fixes[date][district][type_]
 344 for date in dates_sorted:
 345     if date in fixes:
 346        continue
 347     for district in [d for d in districts_sorted if not d=='sum']:
 348         prev_date = date - datetime.timedelta(days=1)
 349         if prev_date not in dates_sorted:
 350            if prev_date >= date_limit:
 351               raise Exception('Dates not contiguous: %s missing', prev_date)
 352            else:
 353               continue
 354         prev_total = data[prev_date][district]['total']
 355         cur_total = data[date][district]['total']
 356         if cur_total - data[date][district]['growth'] != prev_total:
 357             raise Exception('Questionable district infection total in %s/%s' % (district, date))
 358     day_sum = 0
 359     for district in [d for d in districts_sorted if not d=='sum']:
 360        day_sum += data[date][district]['total']
 361     if day_sum != data[date]['sum']['total']:
 362         raise Exception('Questionable district infection total sum in %s' % date)
 363     day_sum = 0
 364     for district in [d for d in districts_sorted if not d=='sum']:
 365        day_sum += data[date][district]['growth']
 366     if day_sum != data[date]['sum']['growth']:
 367         raise Exception('Questionable district infection growth sum in %s' % date)
 368
 369 # Final output.
 370 print(' '*10, ' '.join(['%3s' % d for d in districts_sorted]))
 371 for date in dates_sorted:
 372     growths = []
 373     for d in districts_sorted:
 374         growths += [data[date][d]['growth']]
 375     print(date.strftime('%Y-%m-%d'), ' '.join(['%3s' % g for g in growths]))