Class: BoeParser::Parser

Inherits:
Object
  • Object
show all
Defined in:
lib/boe_parser/parser.rb

Class Method Summary collapse

Class Method Details

.fetch(date) ⇒ Object 



15
16
17
18
19
20
21
22
23
24
25
26
27
28
 
# File 'lib/boe_parser/parser.rb', line 15

def self.fetch(date)
  # fetch BOE for date
  begin
    date_string = date.strftime("%Y/%m/%d")
    url = "#{BASE_URL}#{date_string}"
    open(url).read
  rescue OpenURI::HTTPError => e
    if e.message =~ /404/
      return nil
    else
      raise
    end
  end
end

.fetch_and_parse(date) ⇒ Object 



10
11
12
13
 
# File 'lib/boe_parser/parser.rb', line 10

def self.fetch_and_parse(date)
  doc = fetch(date)
  result = parse(doc)
end

.parse(doc) ⇒ Object 



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
 
# File 'lib/boe_parser/parser.rb', line 30

def self.parse(doc)
  return nil if doc.nil?
  # parse html into a array of hashes
  entries = []
  boe = Hpricot(doc)
  linea_numero = boe.at("h2").inner_html
  numero = linea_numero.scan(/<\/abbr>(.*)<span>/).flatten.first.strip

  boe.at('//a[@name="contenido"]').following_siblings.each do |elemento|
    if elemento.name == 'h3'
      @seccion_nivel1 = (elemento/"a").inner_html
      @seccion_nivel2 = nil
      @seccion_nivel3 = nil
    end
    if elemento.name == 'h4'
      @seccion_nivel2 = (elemento/"a").inner_html
      @seccion_nivel3 = nil
    end
    if elemento.name == 'h5'
      @seccion_nivel3 = elemento.inner_html
    end
    if elemento.name == 'ul'
      dispos = elemento.search("//li[@class='dispo']")
      dispos.each do |d|
        #buscamos el enlace a la disposicion en html (no al pdf)
        enlaces = d.search("//li[@class='puntoMas']/a")
        # por alguna razon a veces hay un nil aquí, si hay nil saltamos a la siguiente vuelta
        next if enlaces.first.nil?
        enlace_href = enlaces.first["href"]
        enlace = "http://boe.es" + enlace_href
        disposicion = enlace_href.scan(/\?id\=.*/).first.gsub('?id=', '')
        (d/"div.enlacesDoc").remove
        texto = d.inner_html.strip

        entries << {
                :boe_num => numero,
                :summary => texto,
                :link => enlace,
                :reference => disposicion,
                :level1_section => @seccion_nivel1,
                :level2_section => @seccion_nivel2,
                :level3_section => @seccion_nivel3
        }

      end
    end

  end
  entries
end