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 growth numbers needed to be reconstructed.
  92    datetime.datetime(2020, 3, 10): {
  93         'CW': {'growth': 2, 'total': 15},
  94         'FK': {'growth': 0, 'total': 12},
  95         'Li': {'growth': 4, 'total': 5},
  96         'MH': {'growth': 1, 'total': 3},
  97         'Mi': {'growth': 0, 'total': 8},
  98         'Ne': {'growth': 2, 'total': 5},
  99         'Pa': {'growth': 2, 'total': 8},
 100         'Re': {'growth': 0, 'total': 3},
 101         'Sp': {'growth': 4, 'total': 6},
 102         'SZ': {'growth': 3, 'total': 6},
 103         'TS': {'growth': 2, 'total': 7},
 104         'TK': {'growth': 3, 'total': 3},
 105         'sum': {'growth': 23, 'total': 81}
 106    },
 107    # Here the totals needed to be reconstructed.
 108    datetime.datetime(2020, 3, 9): {
 109         'CW': {'growth': 4, 'total': 13},
 110         'FK': {'growth': 3, 'total': 12},
 111         'Li': {'growth': 0, 'total': 1},
 112         'MH': {'growth': 1, 'total': 2},
 113         'Mi': {'growth': 0, 'total': 8},
 114         'Ne': {'growth': 1, 'total': 3},
 115         'Pa': {'growth': 1, 'total': 6},
 116         'Re': {'growth': 0, 'total': 3},
 117         'Sp': {'growth': 0, 'total': 2},
 118         'SZ': {'growth': 0, 'total': 3},
 119         'TS': {'growth': 0, 'total': 5},
 120         'TK': {'growth': 0, 'total': 0},
 121         'sum': {'growth': 10, 'total': 58}
 122    },
 123    # Here the growth numbers needed to be reconstructed.
 124    datetime.datetime(2020, 3, 8): {
 125         'CW': {'growth': 0, 'total': 9},
 126         'FK': {'growth': 4, 'total': 9},
 127         'Li': {'growth': 1, 'total': 1},
 128         'MH': {'growth': 0, 'total': 1},
 129         'Mi': {'growth': 0, 'total': 8},
 130         'Ne': {'growth': 0, 'total': 2},
 131         'Pa': {'growth': 0, 'total': 5},
 132         'Re': {'growth': 0, 'total': 3},
 133         'Sp': {'growth': 2, 'total': 2},
 134         'SZ': {'growth': 1, 'total': 3},
 135         'TS': {'growth': 0, 'total': 5},
 136         'TK': {'growth': 0, 'total': 0},
 137         'sum': {'growth': 8, 'total': 48}
 138    },
 139    # Here the growth numbers needed to be reconstructed.
 140    datetime.datetime(2020, 3, 7): {
 141         'CW': {'growth': 6, 'total': 9},
 142         'FK': {'growth': 1, 'total': 5},
 143         'Li': {'growth': 0, 'total': 0},
 144         'MH': {'growth': 0, 'total': 1},
 145         'Mi': {'growth': 1, 'total': 8},
 146         'Ne': {'growth': 0, 'total': 2},
 147         'Pa': {'growth': 1, 'total': 5},
 148         'Re': {'growth': 0, 'total': 3},
 149         'Sp': {'growth': 0, 'total': 0},
 150         'SZ': {'growth': 2, 'total': 2},
 151         'TS': {'growth': 1, 'total': 5},
 152         'TK': {'growth': 0, 'total': 0},
 153         'sum': {'growth': 12, 'total': 40}
 154    },
 155    # Here the growth numbers needed to be reconstructed.
 156    datetime.datetime(2020, 3, 6): {
 157         'CW': {'growth': 1, 'total': 3},
 158         'FK': {'growth': 0, 'total': 4},
 159         'Li': {'growth': 0, 'total': 0},
 160         'MH': {'growth': 0, 'total': 1},
 161         'Mi': {'growth': 4, 'total': 7},
 162         'Ne': {'growth': 1, 'total': 2},
 163         'Pa': {'growth': 1, 'total': 4},
 164         'Re': {'growth': 0, 'total': 3},
 165         'Sp': {'growth': 0, 'total': 0},
 166         'SZ': {'growth': 0, 'total': 0},
 167         'TS': {'growth': 2, 'total': 4},
 168         'TK': {'growth': 0, 'total': 0},
 169         'sum': {'growth': 9, 'total': 28}
 170    },
 171    # Here the growth numbers needed to be reconstructed.
 172    datetime.datetime(2020, 3, 5): {
 173         'CW': {'growth': 2, 'total': 2},
 174         'FK': {'growth': 0, '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': 3},
 180         'Re': {'growth': 2, 'total': 3},
 181         'Sp': {'growth': 0, 'total': 0},
 182         'SZ': {'growth': 0, 'total': 0},
 183         'TS': {'growth': 1, 'total': 2},
 184         'TK': {'growth': 0, 'total': 0},
 185         'sum': {'growth': 6, 'total': 19}
 186    },
 187    # Here the growth numbers needed to be reconstructed.
 188    datetime.datetime(2020, 3, 4): {
 189         'CW': {'growth': 0, 'total': 0},
 190         'FK': {'growth': 2, 'total': 4},
 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': 2},
 196         'Re': {'growth': 1, 'total': 1},
 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': 4, 'total': 13}
 202    },
 203    # Here the growth numbers needed to be reconstructed.
 204    datetime.datetime(2020, 3, 3): {
 205         'CW': {'growth': 0, 'total': 0},
 206         'FK': {'growth': 2, 'total': 2},
 207         'Li': {'growth': 0, 'total': 0},
 208         'MH': {'growth': 0, 'total': 1},
 209         'Mi': {'growth': 0, 'total': 3},
 210         'Ne': {'growth': 0, 'total': 1},
 211         'Pa': {'growth': 1, 'total': 1},
 212         'Re': {'growth': 0, 'total': 0},
 213         'Sp': {'growth': 0, 'total': 0},
 214         'SZ': {'growth': 0, 'total': 0},
 215         'TS': {'growth': 0, 'total': 1},
 216         'TK': {'growth': 0, 'total': 0},
 217         'sum': {'growth': 3, 'total': 9}
 218    },
 219 }
 220 fixes = {
 221    # Here the official total is 215, while the summation of district
 222    # numbers only adds up to 125 – pretty much looks like a mere
 223    # transposition of digits.
 224    datetime.datetime(2020, 3, 27): {
 225        'sum': {
 226            'growth': 125
 227        }
 228    },
 229    # Here the official total is 1937, while the summation of district
 230    # numbers only adds up to 1917; furthermore, the original value for
 231    # SZ is 118 (+18), which makes no sense, as the day before is
 232    # 120 (+15) and the day after is 147 (+15).  The following is a
 233    # compromise to keep as many surrounding numbers stable as possible.
 234    datetime.datetime(2020, 3, 26): {
 235        'SZ': {
 236            'growth': 12
 237        },
 238        'sum': {
 239            'growth': 286
 240        }
 241    },
 242    # Here the official total is 220, while the summation of district
 243    # numbers adds up to 228 – looks like someone misread an 8 as a 0.
 244    datetime.datetime(2020, 3, 25): {
 245        'sum': {
 246            'growth': 220
 247        }
 248    },
 249 }
 250
 251 # Scan navigation bar for maximum pagination value.
 252 url = url_prefix + pm_dir
 253 with urllib.request.urlopen(url) as response:
 254    html = response.read()
 255 soup = bs4.BeautifulSoup(html, 'html.parser')
 256 max_page=0
 257 for link in soup.find_all('a'):
 258     href = link['href']
 259     if str.startswith(href, pm_nav_path):
 260         max_test = int(href.split('=')[1])
 261         max_page = max_test if max_test > max_page else max_page
 262
 263 # Scan paginated press release links for daily Corona number briefing links.
 264 day_urls = []
 265 for i in range(max_page):
 266     url = url_prefix + pm_nav_path + str(i + 1)
 267     with urllib.request.urlopen(url) as response:
 268         html = response.read()
 269     soup = bs4.BeautifulSoup(html, 'html.parser')
 270     for link in soup.find_all('a'):
 271         if (not link.string) or\
 272            (not link.string.startswith('Coronavirus: Derzeit') and
 273             not link.string.startswith('Coronavirus in Berlin: Bestätigte Fälle')):
 274             continue
 275         day_urls += [link['href']]
 276
 277 # Collect infection data.
 278 first_run = True
 279 districts_sorted = []
 280 # TODO: Push limit further back (might need more data fixes for that).
 281 date_limit = datetime.datetime(2020, 3, 12)
 282 for path in day_urls:
 283     url = url_prefix + path
 284     with urllib.request.urlopen(url) as response:
 285         html = response.read()
 286     soup = bs4.BeautifulSoup(html, 'html.parser')
 287     date_title = soup.find('div', class_='pressnumber')
 288     m = re.search('[0-9]+\\.[0-9]+\\.[0-9]+', date_title.string)
 289     date_formatted = m.group(0)
 290     date = datetime.datetime.strptime(date_formatted , '%d.%m.%Y')
 291     if date_limit > date:
 292         break
 293     # On that day, two press releases were released, for that and the prev day.
 294     if date == datetime.datetime(2020, 3, 15) and date in data:
 295        date = datetime.datetime(2020, 3, 14)
 296     # From here on, press releases describe numbers from prev day.
 297     if date <= datetime.datetime(2020, 3, 13):
 298        date = date - datetime.timedelta(days=1)
 299     table = soup.find('table')
 300     # For 13th of March we lack a press release.
 301     if table is None and (date in data or date == datetime.datetime(2020, 3, 13)):
 302         continue
 303     data[date] = {}
 304     for tr in [tr for tr in table.children if type(tr) == bs4.element.Tag][1:]:
 305         printable_tds = []
 306         for td in [td for td in tr.children if type(td) == bs4.element.Tag][:2]:
 307             printable_string = ' '.join([s for s in td.strings])
 308             printable_tds += [printable_string.strip()]
 309         district_long = printable_tds[0]
 310         district_short = [k for k in abbrevs if district_long in abbrevs[k]][0]
 311         if first_run:
 312             districts_sorted += [district_short]
 313         split_char = ' '
 314         if not split_char in printable_tds[1]:
 315             split_char = '('
 316         total_str, growth_str = printable_tds[1].split(split_char)
 317         growth = int(growth_str.replace('(', '').replace(')', '').replace('+', ''))
 318         total = int(total_str.replace('.', ''))
 319         data[date][district_short] = {'growth': growth, 'total': total}
 320     first_run = False
 321
 322 # Reconstruct data for 13th of March.
 323 day_target = datetime.datetime(2020, 3, 13)
 324 day_after = day_target + datetime.timedelta(days=1)
 325 day_before = day_target - datetime.timedelta(days=1)
 326 data[day_target] = {}
 327 for district in [d for d in districts_sorted]:
 328    data[day_target][district] = {}
 329    total_after = data[day_after][district]['total']
 330    growth_after = data[day_after][district]['growth']
 331    total_target = total_after - growth_after
 332    data[day_target][district]['total'] = total_target
 333    total_before = data[day_before][district]['total']
 334    data[day_target][district]['growth'] = total_target - total_before
 335
 336 dates_sorted = list(data.keys())
 337 dates_sorted.sort()
 338 dates_sorted.reverse()
 339
 340 # Apply fixes and ensure integrity of results
 341 for date in fixes:
 342     for district in fixes[date]:
 343         for type_ in fixes[date][district]:
 344             data[date][district][type_] = fixes[date][district][type_]
 345 for date in dates_sorted:
 346     if date in fixes:
 347        continue
 348     for district in [d for d in districts_sorted if not d=='sum']:
 349         prev_date = date - datetime.timedelta(days=1)
 350         if prev_date not in dates_sorted:
 351            if prev_date >= date_limit:
 352               raise Exception('Dates not contiguous: %s missing', prev_date)
 353            else:
 354               continue
 355         prev_total = data[prev_date][district]['total']
 356         cur_total = data[date][district]['total']
 357         if cur_total - data[date][district]['growth'] != prev_total:
 358             raise Exception('Questionable district infection total in %s/%s' % (district, date))
 359     day_sum = 0
 360     for district in [d for d in districts_sorted if not d=='sum']:
 361        day_sum += data[date][district]['total']
 362     if day_sum != data[date]['sum']['total']:
 363         raise Exception('Questionable district infection total sum in %s' % date)
 364     day_sum = 0
 365     for district in [d for d in districts_sorted if not d=='sum']:
 366        day_sum += data[date][district]['growth']
 367     if day_sum != data[date]['sum']['growth']:
 368         raise Exception('Questionable district infection growth sum in %s' % date)
 369
 370 # Final output.
 371 print(' '*10, ' '.join(['%3s' % d for d in districts_sorted]))
 372 for date in dates_sorted:
 373     growths = []
 374     for d in districts_sorted:
 375         growths += [data[date][d]['growth']]
 376     print(date.strftime('%Y-%m-%d'), ' '.join(['%3s' % g for g in growths]))