#!/usr/bin/python
# coding: utf-8
''' 
scraper-citation-celebre.py
Version 2019-11-07
 
Récupère des citations de http://www.citation-celebre.com/liste-citation
et créé un fichier compilable par fortunes (sous Linux) 
 
Une fois ce script terminé, faire: strfile citation-celebre.com
Cela va créer le fichier citation-celebre.com.dat
et copier les deux fichiers : sudo cp citation-celebre.com* /usr/share/games/fortunes
 
Ce script est interruptible à tout moment. Vous pouvez l'arrêter et le relancer:
Il reprendra là où il en était.
'''
import lxml.html,requests,codecs,sys,UserDict,os,os.path
from sqlite3 import dbapi2 as sqlite
 
class dbdict(UserDict.DictMixin):
    ''' dbdict, a dictionnary-like object for large datasets (several Tera-bytes) '''
    def __init__(self,dictName):
        self.db_filename = "dbdict_%s.sqlite" % dictName
        if not os.path.isfile(self.db_filename):
            self.con = sqlite.connect(self.db_filename)
            self.con.execute("create table data (key PRIMARY KEY,value)")
        else:
            self.con = sqlite.connect(self.db_filename)
    def __getitem__(self, key):
        row = self.con.execute("select value from data where key=?",(key,)).fetchone()
        if not row: raise KeyError
        return row[0]
    def __setitem__(self, key, item):
        if self.con.execute("select key from data where key=?",(key,)).fetchone():
            self.con.execute("update data set value=? where key=?",(item,key))
        else:
            self.con.execute("insert into data (key,value) values (?,?)",(key, item))
        self.con.commit()
    def __delitem__(self, key):
        if self.con.execute("select key from data where key=?",(key,)).fetchone():
            self.con.execute("delete from data where key=?",(key,))
            self.con.commit()
        else:
             raise KeyError
    def keys(self):
        return [row[0] for row in self.con.execute("select key from data").fetchall()]
 
pagecache = dbdict('pages-citations')
file = codecs.open("citation-celebre.com", "w", "utf-8")
npage = 1
 
def cleanString(s):
    return s.replace("\t",' ').replace("\r\n",' ').replace("\r",' ').replace("\n",' ').replace('  ',' ')
 
while npage < 8069:
    url = u'http://www.citation-celebre.com/liste-citation?page=%d' % npage
    if url not in pagecache:        
        sys.stderr.write("Récupération page %d... \n" % npage)
        page = requests.get(url)
        pagecache[url]=page.content.decode('utf-8')
    pagedata = pagecache[url]
    tree = lxml.html.fromstring(pagedata)
    citations = tree.xpath('//div[@class="citation"]')
    for citation in citations:
        # Extraction des citations de la page:
        texte = citation.xpath('.//p[@class="laCitation"]/q/a')[0].text_content().strip()
        auteur = ""  # Attention l'auteur peut être vide.
        auteurElement = citation.xpath('.//div[@class="auteur"]//div[@class="additionalInformation"]//a[@class="auteurLien"]')
        if auteurElement :
            auteur = cleanString(auteurElement[0].text_content().strip())
        # Écriture dans le fichier.
        if u"► Lire la suite" in texte:
            continue  # On zappe les citations trop longues.
        file.write("%s\n" % texte)
        if len(auteur)>0: file.write("    -- %s\n" % auteur)
        file.write("%\n")
    npage += 1
file.close()