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 }
 109 fixes = {
 110    # Here the official total is 215, while the summation of district
 111    # numbers only adds up to 125 – pretty much looks like a mere
 112    # transposition of digits.
 113    datetime.datetime(2020, 3, 27): {
 114        'sum': {
 115            'growth': 125
 116        }
 117    },
 118    # Here the official total is 1937, while the summation of district
 119    # numbers only adds up to 1917; furthermore, the original value for
 120    # SZ is 118 (+18), which makes no sense, as the day before is
 121    # 120 (+15) and the day after is 147 (+15).  The following is a
 122    # compromise to keep as many surrounding numbers stable as possible.
 123    datetime.datetime(2020, 3, 26): {
 124        'SZ': {
 125            'growth': 12
 126        },
 127        'sum': {
 128            'growth': 286
 129        }
 130    },
 131    # Here the official total is 220, while the summation of district
 132    # numbers adds up to 228 – looks like someone misread an 8 as a 0.
 133    datetime.datetime(2020, 3, 25): {
 134        'sum': {
 135            'growth': 220
 136        }
 137    },
 138 }
 139
 140 # Scan navigation bar for maximum pagination value.
 141 url = url_prefix + pm_dir
 142 with urllib.request.urlopen(url) as response:
 143    html = response.read()
 144 soup = bs4.BeautifulSoup(html, 'html.parser')
 145 max_page=0
 146 for link in soup.find_all('a'):
 147     href = link['href']
 148     if str.startswith(href, pm_nav_path):
 149         max_test = int(href.split('=')[1])
 150         max_page = max_test if max_test > max_page else max_page
 151
 152 # Scan paginated press release links for daily Corona number briefing links.
 153 day_urls = []
 154 for i in range(max_page):
 155     url = url_prefix + pm_nav_path + str(i + 1)
 156     with urllib.request.urlopen(url) as response:
 157         html = response.read()
 158     soup = bs4.BeautifulSoup(html, 'html.parser')
 159     for link in soup.find_all('a'):
 160         if (not link.string) or\
 161            (not link.string.startswith('Coronavirus: Derzeit') and
 162             not link.string.startswith('Coronavirus in Berlin: Bestätigte Fälle')):
 163             continue
 164         day_urls += [link['href']]
 165
 166 # Collect infection data.
 167 first_run = True
 168 districts_sorted = []
 169 # TODO: Push limit further back (might need more data fixes for that).
 170 date_limit = datetime.datetime(2020, 3, 12)
 171 for path in day_urls:
 172     url = url_prefix + path
 173     with urllib.request.urlopen(url) as response:
 174         html = response.read()
 175     soup = bs4.BeautifulSoup(html, 'html.parser')
 176     date_title = soup.find('div', class_='pressnumber')
 177     m = re.search('[0-9]+\\.[0-9]+\\.[0-9]+', date_title.string)
 178     date_formatted = m.group(0)
 179     date = datetime.datetime.strptime(date_formatted , '%d.%m.%Y')
 180     if date_limit > date:
 181         break
 182     # On that day, two press releases were released, for that and the prev day.
 183     if date == datetime.datetime(2020, 3, 15) and date in data:
 184        date = datetime.datetime(2020, 3, 14)
 185     # From here on, press releases describe numbers from prev day.
 186     if date <= datetime.datetime(2020, 3, 13):
 187        date = date - datetime.timedelta(days=1)
 188     table = soup.find('table')
 189     if table is None and date in data:
 190         continue
 191     data[date] = {}
 192     for tr in [tr for tr in table.children if type(tr) == bs4.element.Tag][1:]:
 193         printable_tds = []
 194         for td in [td for td in tr.children if type(td) == bs4.element.Tag][:2]:
 195             printable_string = ' '.join([s for s in td.strings])
 196             printable_tds += [printable_string.strip()]
 197         district_long = printable_tds[0]
 198         district_short = [k for k in abbrevs if district_long in abbrevs[k]][0]
 199         if first_run:
 200             districts_sorted += [district_short]
 201         split_char = ' '
 202         if not split_char in printable_tds[1]:
 203             split_char = '('
 204         total_str, growth_str = printable_tds[1].split(split_char)
 205         growth = int(growth_str.replace('(', '').replace(')', '').replace('+', ''))
 206         total = int(total_str.replace('.', ''))
 207         data[date][district_short] = {'growth': growth, 'total': total}
 208     first_run = False
 209 dates_sorted = list(data.keys())
 210 dates_sorted.sort()
 211 dates_sorted.reverse()
 212
 213 # Apply fixes and ensure integrity of results
 214 for date in fixes:
 215     for district in fixes[date]:
 216         for type_ in fixes[date][district]:
 217             data[date][district][type_] = fixes[date][district][type_]
 218 for date in dates_sorted:
 219     if date in fixes:
 220        continue
 221     for district in [d for d in districts_sorted if not d=='sum']:
 222         prev_date = date - datetime.timedelta(days=1)
 223         if prev_date not in dates_sorted:
 224            if prev_date >= date_limit:
 225               raise Exception('Dates not contiguous: %s missing', prev_date)
 226            else:
 227               continue
 228         prev_total = data[prev_date][district]['total']
 229         cur_total = data[date][district]['total']
 230         if cur_total - data[date][district]['growth'] != prev_total:
 231             raise Exception('Questionable district infection total in %s/%s' % (district, date))
 232     day_sum = 0
 233     for district in [d for d in districts_sorted if not d=='sum']:
 234        day_sum += data[date][district]['total']
 235     if day_sum != data[date]['sum']['total']:
 236         raise Exception('Questionable district infection total sum in %s' % date)
 237     day_sum = 0
 238     for district in [d for d in districts_sorted if not d=='sum']:
 239        day_sum += data[date][district]['growth']
 240     if day_sum != data[date]['sum']['growth']:
 241         raise Exception('Questionable district infection growth sum in %s' % date)
 242
 243 # Final output.
 244 print(' '*10, ' '.join(['%3s' % d for d in districts_sorted]))
 245 for date in dates_sorted:
 246     growths = []
 247     for d in districts_sorted:
 248         growths += [data[date][d]['growth']]
 249     print(date.strftime('%Y-%m-%d'), ' '.join(['%3s' % g for g in growths]))