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    # This one has no press release but can be reconstructed from
  92    # the neighbour ones.
  93    datetime.datetime(2020, 3, 13): {
  94         'CW': {'growth': 16, 'total': 47},
  95         'FK': {'growth': 8, 'total': 22},
  96         'Li': {'growth': 2, 'total': 8},
  97         'MH': {'growth': 1, 'total': 4},
  98         'Mi': {'growth': 9, 'total': 29},
  99         'Ne': {'growth': 6, 'total': 16},
 100         'Pa': {'growth': 11, 'total': 26},
 101         'Re': {'growth': 0, 'total': 11},
 102         'Sp': {'growth': 1, 'total': 9},
 103         'SZ': {'growth': 0, 'total': 20},
 104         'TS': {'growth': 1, 'total': 17},
 105         'TK': {'growth': 3, 'total': 7},
 106         'sum': {'growth': 58, 'total': 216}
 107    },
 108    # Here the growth numbers needed to be reconstructed.
 109    datetime.datetime(2020, 3, 10): {
 110         'CW': {'growth': 2, 'total': 15},
 111         'FK': {'growth': 0, 'total': 12},
 112         'Li': {'growth': 4, 'total': 5},
 113         'MH': {'growth': 1, 'total': 3},
 114         'Mi': {'growth': 0, 'total': 8},
 115         'Ne': {'growth': 2, 'total': 5},
 116         'Pa': {'growth': 2, 'total': 8},
 117         'Re': {'growth': 0, 'total': 3},
 118         'Sp': {'growth': 4, 'total': 6},
 119         'SZ': {'growth': 3, 'total': 6},
 120         'TS': {'growth': 2, 'total': 7},
 121         'TK': {'growth': 3, 'total': 3},
 122         'sum': {'growth': 23, 'total': 81}
 123    },
 124    # Here the totals needed to be reconstructed.
 125    datetime.datetime(2020, 3, 9): {
 126         'CW': {'growth': 4, 'total': 13},
 127         'FK': {'growth': 3, 'total': 12},
 128         'Li': {'growth': 0, 'total': 1},
 129         'MH': {'growth': 1, 'total': 2},
 130         'Mi': {'growth': 0, 'total': 8},
 131         'Ne': {'growth': 1, 'total': 3},
 132         'Pa': {'growth': 1, 'total': 6},
 133         'Re': {'growth': 0, 'total': 3},
 134         'Sp': {'growth': 0, 'total': 2},
 135         'SZ': {'growth': 0, 'total': 3},
 136         'TS': {'growth': 0, 'total': 5},
 137         'TK': {'growth': 0, 'total': 0},
 138         'sum': {'growth': 10, 'total': 58}
 139    },
 140    # Here the growth numbers needed to be reconstructed.
 141    datetime.datetime(2020, 3, 8): {
 142         'CW': {'growth': 0, 'total': 9},
 143         'FK': {'growth': 4, 'total': 9},
 144         'Li': {'growth': 1, 'total': 1},
 145         'MH': {'growth': 0, 'total': 1},
 146         'Mi': {'growth': 0, 'total': 8},
 147         'Ne': {'growth': 0, 'total': 2},
 148         'Pa': {'growth': 0, 'total': 5},
 149         'Re': {'growth': 0, 'total': 3},
 150         'Sp': {'growth': 2, 'total': 2},
 151         'SZ': {'growth': 1, 'total': 3},
 152         'TS': {'growth': 0, 'total': 5},
 153         'TK': {'growth': 0, 'total': 0},
 154         'sum': {'growth': 8, 'total': 48}
 155    },
 156    # Here the growth numbers needed to be reconstructed.
 157    datetime.datetime(2020, 3, 7): {
 158         'CW': {'growth': 6, 'total': 9},
 159         'FK': {'growth': 1, 'total': 5},
 160         'Li': {'growth': 0, 'total': 0},
 161         'MH': {'growth': 0, 'total': 1},
 162         'Mi': {'growth': 1, 'total': 8},
 163         'Ne': {'growth': 0, 'total': 2},
 164         'Pa': {'growth': 1, 'total': 5},
 165         'Re': {'growth': 0, 'total': 3},
 166         'Sp': {'growth': 0, 'total': 0},
 167         'SZ': {'growth': 2, 'total': 2},
 168         'TS': {'growth': 1, 'total': 5},
 169         'TK': {'growth': 0, 'total': 0},
 170         'sum': {'growth': 12, 'total': 40}
 171    },
 172 }
 173 fixes = {
 174    # Here the official total is 215, while the summation of district
 175    # numbers only adds up to 125 – pretty much looks like a mere
 176    # transposition of digits.
 177    datetime.datetime(2020, 3, 27): {
 178        'sum': {
 179            'growth': 125
 180        }
 181    },
 182    # Here the official total is 1937, while the summation of district
 183    # numbers only adds up to 1917; furthermore, the original value for
 184    # SZ is 118 (+18), which makes no sense, as the day before is
 185    # 120 (+15) and the day after is 147 (+15).  The following is a
 186    # compromise to keep as many surrounding numbers stable as possible.
 187    datetime.datetime(2020, 3, 26): {
 188        'SZ': {
 189            'growth': 12
 190        },
 191        'sum': {
 192            'growth': 286
 193        }
 194    },
 195    # Here the official total is 220, while the summation of district
 196    # numbers adds up to 228 – looks like someone misread an 8 as a 0.
 197    datetime.datetime(2020, 3, 25): {
 198        'sum': {
 199            'growth': 220
 200        }
 201    },
 202 }
 203
 204 # Scan navigation bar for maximum pagination value.
 205 url = url_prefix + pm_dir
 206 with urllib.request.urlopen(url) as response:
 207    html = response.read()
 208 soup = bs4.BeautifulSoup(html, 'html.parser')
 209 max_page=0
 210 for link in soup.find_all('a'):
 211     href = link['href']
 212     if str.startswith(href, pm_nav_path):
 213         max_test = int(href.split('=')[1])
 214         max_page = max_test if max_test > max_page else max_page
 215
 216 # Scan paginated press release links for daily Corona number briefing links.
 217 day_urls = []
 218 for i in range(max_page):
 219     url = url_prefix + pm_nav_path + str(i + 1)
 220     with urllib.request.urlopen(url) as response:
 221         html = response.read()
 222     soup = bs4.BeautifulSoup(html, 'html.parser')
 223     for link in soup.find_all('a'):
 224         if (not link.string) or\
 225            (not link.string.startswith('Coronavirus: Derzeit') and
 226             not link.string.startswith('Coronavirus in Berlin: Bestätigte Fälle')):
 227             continue
 228         day_urls += [link['href']]
 229
 230 # Collect infection data.
 231 first_run = True
 232 districts_sorted = []
 233 # TODO: Push limit further back (might need more data fixes for that).
 234 date_limit = datetime.datetime(2020, 3, 12)
 235 for path in day_urls:
 236     url = url_prefix + path
 237     with urllib.request.urlopen(url) as response:
 238         html = response.read()
 239     soup = bs4.BeautifulSoup(html, 'html.parser')
 240     date_title = soup.find('div', class_='pressnumber')
 241     m = re.search('[0-9]+\\.[0-9]+\\.[0-9]+', date_title.string)
 242     date_formatted = m.group(0)
 243     date = datetime.datetime.strptime(date_formatted , '%d.%m.%Y')
 244     if date_limit > date:
 245         break
 246     # On that day, two press releases were released, for that and the prev day.
 247     if date == datetime.datetime(2020, 3, 15) and date in data:
 248        date = datetime.datetime(2020, 3, 14)
 249     # From here on, press releases describe numbers from prev day.
 250     if date <= datetime.datetime(2020, 3, 13):
 251        date = date - datetime.timedelta(days=1)
 252     table = soup.find('table')
 253     if table is None and date in data:
 254         continue
 255     data[date] = {}
 256     for tr in [tr for tr in table.children if type(tr) == bs4.element.Tag][1:]:
 257         printable_tds = []
 258         for td in [td for td in tr.children if type(td) == bs4.element.Tag][:2]:
 259             printable_string = ' '.join([s for s in td.strings])
 260             printable_tds += [printable_string.strip()]
 261         district_long = printable_tds[0]
 262         district_short = [k for k in abbrevs if district_long in abbrevs[k]][0]
 263         if first_run:
 264             districts_sorted += [district_short]
 265         split_char = ' '
 266         if not split_char in printable_tds[1]:
 267             split_char = '('
 268         total_str, growth_str = printable_tds[1].split(split_char)
 269         growth = int(growth_str.replace('(', '').replace(')', '').replace('+', ''))
 270         total = int(total_str.replace('.', ''))
 271         data[date][district_short] = {'growth': growth, 'total': total}
 272     first_run = False
 273 dates_sorted = list(data.keys())
 274 dates_sorted.sort()
 275 dates_sorted.reverse()
 276
 277 # Apply fixes and ensure integrity of results
 278 for date in fixes:
 279     for district in fixes[date]:
 280         for type_ in fixes[date][district]:
 281             data[date][district][type_] = fixes[date][district][type_]
 282 for date in dates_sorted:
 283     if date in fixes:
 284        continue
 285     for district in [d for d in districts_sorted if not d=='sum']:
 286         prev_date = date - datetime.timedelta(days=1)
 287         if prev_date not in dates_sorted:
 288            if prev_date >= date_limit:
 289               raise Exception('Dates not contiguous: %s missing', prev_date)
 290            else:
 291               continue
 292         prev_total = data[prev_date][district]['total']
 293         cur_total = data[date][district]['total']
 294         if cur_total - data[date][district]['growth'] != prev_total:
 295             raise Exception('Questionable district infection total in %s/%s' % (district, date))
 296     day_sum = 0
 297     for district in [d for d in districts_sorted if not d=='sum']:
 298        day_sum += data[date][district]['total']
 299     if day_sum != data[date]['sum']['total']:
 300         raise Exception('Questionable district infection total sum in %s' % date)
 301     day_sum = 0
 302     for district in [d for d in districts_sorted if not d=='sum']:
 303        day_sum += data[date][district]['growth']
 304     if day_sum != data[date]['sum']['growth']:
 305         raise Exception('Questionable district infection growth sum in %s' % date)
 306
 307 # Final output.
 308 print(' '*10, ' '.join(['%3s' % d for d in districts_sorted]))
 309 for date in dates_sorted:
 310     growths = []
 311     for d in districts_sorted:
 312         growths += [data[date][d]['growth']]
 313     print(date.strftime('%Y-%m-%d'), ' '.join(['%3s' % g for g in growths]))