forked from rafatieppo/lucylattes
-
Notifications
You must be signed in to change notification settings - Fork 0
/
scraperlattes.py
1144 lines (1115 loc) · 50.8 KB
/
scraperlattes.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
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
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
# ------------------------------------------------------------
# packages
# ------------------------------------------------------------
import numpy as np
import pandas as pd
from bs4 import BeautifulSoup
import os
import requests
import re
import zipfile
from extrafuns import fun_result
# ------------------------------------------------------------
# ------------------------------------------------------------
# projetos de pesquisa institucionalizados / FAP
# ------------------------------------------------------------
def getprojpesqext(zipname):
# lendo do zipfile
# zipname = '3275865819287843.zip'
# zipname = '8190371175828378.zip'
# zipname = '5859946324646438.zip'
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# ttfile = open('tt.xml', 'w')
# ttfile.write(soup.prettify())
# ttfile.close()
# extrair todas as atividades profissionais
ap = soup.find_all('atuacao-profissional')
# VERIFICANDO se ha atuacao profissional
if len(ap) == 0:
print('Atuacao profissional nao encontrada para', zipname)
else:
# listas para armazenamento de dados PROJETOS PESQ e EXT
ls_coord_sn = []
ls_intproj = []
ls_natu = []
ls_proj = []
ls_yfin = []
ls_yini = []
# A partir das atividades profissionais, para cada uma delas (Unioeste,
# DGF, etc) há diversas atividades, contudo queremos a participação em
# projetos. No caso pegamos o ap é 5 que é da unemat.
for i in range(len(ap)):
app = ap[i].find_all('atividades-de-participacao-em-projeto')
# a partir das atividades de participacao em projeto, filtra-se todos os
# projeto de pesquisa que contem os projetos de ext e pesq que ocorreu
# na instituicao
# VERIFICANDO se ha participacao em projeto
if len(app) == 0:
print(
'Participacao em projeto em uma das atividades profissionais nao encontrada para', zipname)
else:
for j in range(len(app)):
ppe = app[j].find_all('projeto-de-pesquisa')
# definindo o nome do projeto
for k in range(len(ppe)):
proj = str(ppe[k])
result = re.search('nome-do-projeto=\"(.*)\" nome-do-projeto-i',
proj)
cc = fun_result(result)
ls_proj.append(cc)
# print(cc)
# definindo o ano inicial
# result = re.search('ano-inicio=\"(.*)\" data-certificacao', proj)
result = re.search('ano-inicio="(.*)" data-certificacao',
proj)
cc = fun_result(result)
ls_yini.append(cc)
# definindo o ano final
result = re.search('ano-fim="(.*)" ano-inicio',
proj)
cc = fun_result(result)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
if cc == '':
cc = 'ATUAL'
ls_yfin.append(cc)
# definindo a natureza
result = re.search(
'natureza=\"(.*)\" nome-coordenador', proj)
cc = fun_result(result)
ls_natu.append(cc)
# Integrante do projeto
ep = ppe[k].find_all('equipe-do-projeto')
for m in range(len(ep)):
ip = ep[m].find_all('integrantes-do-projeto')
ls_allintproj = []
ls_allcoordsn = []
for m in range(len(ip)):
integ = str(ip[m])
result = re.search(
'nome-completo=\"(.*)\" nome-para-citacao',
integ)
cc = fun_result(result)
ls_allintproj.append(cc)
# definindo se é coordenador SIM ou NAO
result = re.search(
'responsavel=\"(.*)\" nome-completo', integ)
cc = fun_result(result)
ls_allcoordsn.append(cc)
# print(ls_allintproj)
# print(ls_allcoordsn)
ls_intproj.append(ls_allintproj)
ls_coord_sn.append(ls_allcoordsn)
# DataFrame para os dados
df_ppe = pd.DataFrame({'PROJ': ls_proj,
'YEAR_INI': ls_yini,
'YEAR_FIN': ls_yfin,
'NATUREZA': ls_natu,
'INTEGRANTES': ls_intproj,
'COORDENA': ls_coord_sn})
latid = zipname.split('.')[0]
pathfilename = str('./csv_producao/' + latid + '_ppe' '.csv')
df_ppe.to_csv(pathfilename, index=False)
print(pathfilename, ' gravado com',
len(df_ppe['PROJ']), ' projetos')
# ------------------------------------------------------------
# iniciando funcao para producao tecnica do pesquisador - cursos etc
# ------------------------------------------------------------
def getprodtec(zipname):
# lendo do zipfile
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# extrair demais-tipos-de-producao-tecnica
dtpt = soup.find_all('demais-tipos-de-producao-tecnica')
# VERIFICANDO se ha demais tipos de producao
if len(dtpt) == 0:
print('Demais tipos de producao nao encontrada para', zipname)
else:
# listas para armazenamento de dados producao tecnica
ls_curscd_name = []
ls_curscd_year = []
ls_curscd_integ = []
# A partir dos demais tipos de producao tecnica extrai-se os cursos,
# palestras, etc
for i in range(len(dtpt)):
ccdm = dtpt[i].find_all('curso-de-curta-duracao-ministrado')
# VERIFICANDO se ha cursos
if len(ccdm) == 0:
print('Curso de cura duracao nao encontrado para', zipname)
else:
for j in range(len(ccdm)):
# definindo o nome do curso
curso = str(ccdm[j])
result = re.search('titulo=\"(.*)\" titulo-ingl',
curso)
cc = fun_result(result)
ls_curscd_name.append(cc)
# print(cc)
# definindo o ano do curso
curso = str(ccdm[j])
result = re.search('ano=\"(.*)\" doi',
curso)
cc = fun_result(result)
ls_curscd_year.append(cc)
# print(cc)
# Integrante do curso
ccdm_aut = ccdm[j].find_all('autores')
ls_all_autor = []
for k in range(len(ccdm_aut)):
autor = str(ccdm_aut[k])
result = re.search(
'nome-completo-do-autor=\"(.*)\" nome-para-citacao',
autor)
cc = fun_result(result)
ls_all_autor.append(cc)
# print(ls_all_autor)
ls_curscd_integ.append(ls_all_autor)
# DataFrame para cursos de curta duracao
df_ccd = pd.DataFrame({'COURSE': ls_curscd_name,
'YEAR': ls_curscd_year,
'INTEGRANTES': ls_curscd_integ})
latid = zipname.split('.')[0]
pathfilename = str('./csv_producao/' + latid + '_ccd' '.csv')
df_ccd.to_csv(pathfilename, index=False)
print(pathfilename, ' gravado com',
len(df_ccd['COURSE']), ' cursos')
# ------------------------------------------------------------
# iniciando funcao para orientacoes do pesquisador
# ------------------------------------------------------------
def getorient(zipname):
# lendo do zipfile
# zipname = '1292986021348016.zip'
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# extrair outras producoes
op = soup.find_all('outra-producao')
# VERIFICANDO se ha outra producao
if len(op) == 0:
print('Outras producoes nao encontradas para', zipname)
else:
# extrair orientacoes concluidas Mestrado e Doutorado*
orienconc = op[0].find_all('orientacoes-concluidas')
# VERIFICANDO se ha orientacoes pos
if len(orienconc) == 0:
print('Orientacoes nao encontradas para', zipname)
else:
# listas para armazenamento de dados producao tecnica
ls_adv_year = []
ls_adv_nat = []
ls_adv_inst = []
ls_adv_curso = []
ls_adv_student = []
ls_adv_type = []
ls_adv_suppo = []
# extrair orientacoes-concluidas-para-mestrado
orienconc_mest = orienconc[0].find_all(
'orientacoes-concluidas-para-mestrado')
# VERIFICANDO se ha orientacoes mestrado e doutorado
if len(orienconc_mest) == 0:
print('Orientacoes concluidas de mestrado nao encontradas para', zipname)
else:
for i in range(len(orienconc_mest)):
# definindo o nome do curso
dadobasico = orienconc_mest[i].find_all(
'dados-basicos-de-orientacoes-concluidas-para-mestrado')
dadobasico = str(dadobasico)
# ano da orientacao
result = re.search('ano=\"(.*)\" doi',
dadobasico)
cc = fun_result(result)
ls_adv_year.append(cc)
# print(cc)
# natureza da orientacao
result = re.search('natureza=\"(.*)\" pais',
dadobasico)
cc = fun_result(result)
ls_adv_nat.append(cc)
# print(cc)
# detalhes da orientacao ###
detalhe = orienconc_mest[i].find_all(
'detalhamento-de-orientacoes-concluidas-para-mestrado')
detalhe = str(detalhe)
# instituicao da orientacao
result = re.search('nome-da-instituicao=\"(.*)\" nome-do-curso=',
detalhe)
cc = fun_result(result)
ls_adv_inst.append(cc)
# print(cc)
# nome do curso
result = re.search('nome-do-curso=\"(.*)\" nome-do-curso-ingles',
detalhe)
cc = fun_result(result)
ls_adv_curso.append(cc)
# print(cc)
# nome orientado
result = re.search('nome-do-orientado=\"(.*)\" nome-orgao',
detalhe)
cc = fun_result(result)
ls_adv_student.append(cc)
# print(cc)
# tipo de orientacao
result = re.search('tipo-de-orientacao=\"(.*)\">',
detalhe)
cc = fun_result(result)
ls_adv_type.append(cc)
# print(cc)
# Bolsa
result = re.search('flag-bolsa=\"(.*)\" nome-da-agencia',
detalhe)
cc = fun_result(result)
ls_adv_suppo.append(cc)
# print(cc)
# ------------------------------------------------------------
# extrair orientacoes-concluidas-para-doutorado
orienconc_dout = orienconc[0].find_all(
'orientacoes-concluidas-para-doutorado')
# VERIFICANDO se ha orientacoes doutorado
if len(orienconc_dout) == 0:
print(
'Orientacoes concluidas de doutorado nao encontradas para', zipname)
else:
for i in range(len(orienconc_dout)):
# definindo o nome do curso
dadobasico = orienconc_dout[i].find_all(
'dados-basicos-de-orientacoes-concluidas-para-doutorado')
dadobasico = str(dadobasico)
# ano da orientacao
result = re.search('ano=\"(.*)\" doi',
dadobasico)
cc = fun_result(result)
ls_adv_year.append(cc)
# print(cc)
# natureza da orientacao
result = re.search('natureza=\"(.*)\" pais',
dadobasico)
cc = fun_result(result)
ls_adv_nat.append(cc)
# print(cc)
# detalhes da orientacao ###
detalhe = orienconc_dout[i].find_all(
'detalhamento-de-orientacoes-concluidas-para-doutorado')
detalhe = str(detalhe)
# instituicao da orientacao
result = re.search('nome-da-instituicao=\"(.*)\" nome-do-curso=',
detalhe)
cc = fun_result(result)
ls_adv_inst.append(cc)
# print(cc)
# nome do curso
result = re.search('nome-do-curso=\"(.*)\" nome-do-curso-ingles',
detalhe)
cc = fun_result(result)
ls_adv_curso.append(cc)
# print(cc)
# nome orientado
result = re.search('nome-do-orientado=\"(.*)\" nome-orgao',
detalhe)
cc = fun_result(result)
ls_adv_student.append(cc)
# print(cc)
# tipo de orientacao
result = re.search('tipo-de-orientacao=\"(.*)\">',
detalhe)
cc = fun_result(result)
ls_adv_type.append(cc)
# print(cc)
# Bolsa
result = re.search('flag-bolsa=\"(.*)\" nome-da-agencia',
detalhe)
cc = fun_result(result)
ls_adv_suppo.append(cc)
# print(cc)
# ------------------------------------------------------------
# outras orientacoes concluidas
orienconc_out = op[0].find_all('outras-orientacoes-concluidas')
# VERIFICANDO se ha outras orientacoes pos
if len(orienconc_out) == 0:
print('Outras orientacoes nao encontradas para', zipname)
else:
for j in range(len(orienconc_out)):
dadobasico = orienconc_out[j].find_all(
'dados-basicos-de-outras-orientacoes-concluidas')
dadobasico = str(dadobasico)
# ano da orientacao
result = re.search('ano=\"(.*)\" doi',
dadobasico)
cc = fun_result(result)
ls_adv_year.append(cc)
# print(cc)
# natureza da orientacao
result = re.search('natureza=\"(.*)\" pais',
dadobasico)
cc = fun_result(result)
ls_adv_nat.append(cc)
# print(cc)
# detalhes da orientacao ######
detalhe = orienconc_out[j].find_all(
'detalhamento-de-outras-orientacoes-concluidas')
detalhe = str(detalhe)
# instituicao da orientacao
result = re.search('nome-da-instituicao=\"(.*)\" nome-do-curso=',
detalhe)
cc = fun_result(result)
ls_adv_inst.append(cc)
# print(cc)
# nome do curso
result = re.search('nome-do-curso=\"(.*)\" nome-do-curso-ingles',
detalhe)
cc = fun_result(result)
ls_adv_curso.append(cc)
# print(cc)
# nome orientado
result = re.search('nome-do-orientado=\"(.*)\" numero-de-paginas',
detalhe)
cc = fun_result(result)
ls_adv_student.append(cc)
# print(cc)
# tipo de orientacao
result = re.search('tipo-de-orientacao-concluida=\"(.*)\">',
detalhe)
cc = fun_result(result)
ls_adv_type.append(cc)
# print(cc)
# Bolsa
result = re.search('flag-bolsa=\"(.*)\" nome-da-agencia',
detalhe)
cc = fun_result(result)
ls_adv_suppo.append(cc)
# print(cc)
# DataFrame orientacoes
df_advis = pd.DataFrame({'YEAR': ls_adv_year,
'NATURE': ls_adv_nat,
'INSTITUTION': ls_adv_inst,
'COURSE': ls_adv_curso,
'STUDENT': ls_adv_student,
'TYPE': ls_adv_type,
'SPONSOR': ls_adv_suppo})
latid = zipname.split('.')[0]
pathfilename = str('./csv_producao/' +
latid + '_advis' '.csv')
df_advis.to_csv(pathfilename, index=False)
print(pathfilename, ' gravado com', len(
df_advis['YEAR']), ' orientações')
# ------------------------------------------------------------
# Periodicos
# ------------------------------------------------------------
def getperiod(zipname):
# lendo do zipfile
#zipname = '3275865819287843.zip'
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# capturando nome completo para ordem de autoria
cv = soup.find_all('curriculo-vitae')
if len(cv) == 0:
print('curriculo vitae nao encontrado para', zipname)
else:
# listas para armazenamento de dados producao tecnica
for i in range(len(cv)):
dg = cv[i].find_all('dados-gerais')
# VERIFICANDO se ha dados gerais
if len(dg) == 0:
print('Dados gerais nao encontrados para', zipname)
else:
for j in range(len(dg)):
# definindo nome completo
gendata = str(dg[j])
result = re.search('nome-completo=\"(.*)\" nome-em-citacoes',
gendata)
cc = fun_result(result)
fullname = cc
# ------------------------------------------------------------
# extrair todas as producoes bibliograficas
pb = soup.find_all('producao-bibliografica')
# VERIFICANDO se ha demais tipos de producao
if len(pb) == 0:
print('Producoes bibliograficas nao encontradas para', zipname)
else:
# Da producao bibliografica extrair o grupo de artigos publicados
artspubs = pb[0].find_all('artigos-publicados')
# VERIFICANDO se ha artigos publicados
if len(artspubs) == 0:
print('Artigos publicados nao encontrados para', zipname)
else:
# listas para armazenamento de dados PERIODICOS
ls_per_title = []
ls_per_year = []
ls_per_doi = []
ls_per_lang = []
ls_per_journal = []
ls_per_issn = []
ls_per_qualis = []
ls_per_authors = []
ls_per_authororder = []
ls_per_orders = []
ls_jcr = []
# A partir do grupo de artigos publicados extrair os artigos
# publicados
artpub = artspubs[0].find_all('artigo-publicado')
# a partir de cada artigo publicado extrair inf de interesse
for i in range(len(artpub)):
# dados basicos do paper
dba = artpub[i].find_all('dados-basicos-do-artigo')
paperdb = str(dba)
# definindo o nome do paper
result = re.search('titulo-do-artigo=\"(.*)\" titulo-do-artigo-i',
paperdb)
cc = fun_result(result)
ls_per_title.append(cc)
# print(cc)
# definindo ano do paper
result = re.search('ano-do-artigo=\"(.*)\" doi',
paperdb)
cc = fun_result(result)
ls_per_year.append(cc)
# print(cc)
# definindo doi do paper
result = re.search('doi=\"(.*)\" flag-divulgacao-c',
paperdb)
cc = fun_result(result)
ls_per_doi.append(cc)
# print(cc)
# definindo idioma do paper
result = re.search('idioma=\"(.*)\" meio-de-divulgacao=',
paperdb)
cc = fun_result(result)
ls_per_lang.append(cc)
# print(cc)
# detalhamento do paper
dda = artpub[i].find_all('detalhamento-do-artigo')
paperdt = str(dda)
# definindo titulo do periodico
result = re.search('titulo-do-periodico-ou-revista=\"(.*)\" volume',
paperdt)
cc = fun_result(result)
ls_per_journal.append(cc)
# print(cc)
# definindo issn
result = re.search('issn=\"(.*)\" local-de-public',
paperdt)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
cc = str(cc[0:4]) + '-' + str(cc[4:])
ls_per_issn.append(cc)
# print(cc)
# autores do paper
aut = artpub[i].find_all('autores')
ls_allauthors = []
ls_allauthororder = []
ls_authororder = []
for j in range(len(aut)):
auth = str(aut[j])
result = re.search(
'nome-completo-do-autor=\"(.*)\" nome-para-citacao',
auth)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
nca = result.group(1) # nomecompletoautor
ls_allauthors.append(cc)
# print(cc)
# order de autoria
result = re.search(
'ordem-de-autoria=\"(.*)\"',
auth)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
ncao = result.group(1)
ls_allauthororder.append(cc)
if fullname == nca:
ls_authororder.append(ncao)
# print(fullname + ' ' + ncao)
# print(cc)
ls_per_authors.append(ls_allauthors)
ls_per_authororder.append(ls_allauthororder)
ls_per_orders.append(ls_authororder)
# Qualis file
config_file = open('./config.txt', 'r')
qf = config_file.readlines()[4].split(':')[1]
qf = qf.rstrip('\n')
qf = qf.strip(' ')
config_file.close()
df_qualis = pd.read_csv(qf,
header=0, sep='\t')
for k in range(len(ls_per_issn)):
result = df_qualis[df_qualis['ISSN']
== ls_per_issn[k]].reset_index(drop=True)
if len(result) == 0:
cc = 'XX'
else:
cc = result.iloc[0, 2]
ls_per_qualis.append(cc)
# print(cc)
# JCR
df_jcr = pd.read_csv('jcr_factor.csv', sep=',',
header=0, dtype='str')
for k in range(len(ls_per_issn)):
issnclean = str(ls_per_issn[k])
issnclean = str(issnclean.replace('-', ''))
result = df_jcr[df_jcr['ISSN_A']
== issnclean].reset_index(drop=True)
if len(result) == 0:
result = df_jcr[df_jcr['ISSN_B']
== issnclean].reset_index(drop=True)
if len(result) == 0:
cc = -99
else:
cc = result.iloc[0, 7]
else:
cc = result.iloc[0, 7]
ls_jcr.append(cc)
# print(cc)
# DataFrame periodicos
df_papers = pd.DataFrame({'TITLE': ls_per_title,
'YEAR': ls_per_year,
'DOI': ls_per_doi,
'LANG': ls_per_lang,
'JOURNAL': ls_per_journal,
'QUALIS': ls_per_qualis,
'ISSN': ls_per_issn,
'AUTHOR': ls_per_authors,
'ORDER': ls_per_authororder,
'ORDER_OK': ls_per_orders,
'JCR': ls_jcr})
latid = zipname.split('.')[0]
pathfilename = str('./csv_producao/' + latid + '_period' '.csv')
df_papers.to_csv(pathfilename, index=False)
print(pathfilename, ' gravado com', len(
df_papers['YEAR']), 'publicações em periódicos')
# ------------------------------------------------------------
# Livros
# ------------------------------------------------------------
def getlivro(zipname):
# lendo do zipfile
# zipname = '1292986021348016.zip'
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# capturando nome completo para ordem de autoria
cv = soup.find_all('curriculo-vitae')
if len(cv) == 0:
print('curriculo vitae nao encontrado para', zipname)
else:
# listas para armazenamento de dados producao tecnica
for i in range(len(cv)):
dg = cv[i].find_all('dados-gerais')
# VERIFICANDO se ha dados gerais
if len(dg) == 0:
print('Dados gerais nao encontrados para', zipname)
else:
for j in range(len(dg)):
# definindo nome completo
gendata = str(dg[j])
result = re.search('nome-completo=\"(.*)\" nome-em-citacoes',
gendata)
cc = fun_result(result)
fullname = cc
# ------------------------------------------------------------
# extrair todas as producoes livros e capitulos
livscaps = soup.find_all('livros-e-capitulos')
# VERIFICANDO se ha livros e capitulos
if len(livscaps) == 0:
print('Livros publicados nao encontrados para', zipname)
else:
livspuborg = livscaps[0].find_all('livros-publicados-ou-organizados')
# VERIFICANDO se ha livros publicados ou organizados
if len(livspuborg) == 0:
print('Livros publicados ou organizados nao encontrados para', zipname)
else:
livpuborg = livspuborg[0].find_all('livro-publicado-ou-organizado')
# listas para armazenamento de dados livros e capitulos
ls_liv_title = []
ls_liv_year = []
ls_liv_lang = []
ls_liv_edit = []
ls_liv_authors = []
ls_liv_authororder = []
ls_liv_orders = []
# a partir de cada livro capitulo publicado extrair inf de interesse
for i in range(len(livpuborg)):
# dados basicos do livro
dbl = livpuborg[i].find_all('dados-basicos-do-livro')
livrodb = str(dbl)
# definindo o nome do livro
result = re.search('titulo-do-livro=\"(.*)\" titulo-do-livro-i',
livrodb)
cc = fun_result(result)
ls_liv_title.append(cc)
# print(cc)
# definindo ano do livro
result = re.search('ano=\"(.*)\" doi',
livrodb)
cc = fun_result(result)
ls_liv_year.append(cc)
# print(cc)
# definindo idioma do livro
result = re.search('idioma=\"(.*)\" meio-de-divulgacao=',
livrodb)
cc = fun_result(result)
ls_liv_lang.append(cc)
# detalhamento do livro
ddl = livpuborg[i].find_all('detalhamento-do-livro')
livrodt = str(ddl)
# definindo editora
result = re.search('nome-da-editora=\"(.*)\" volume',
livrodt)
cc = fun_result(result)
ls_liv_edit.append(cc)
# print(cc)
# autores do livro
aut = livpuborg[i].find_all('autores')
ls_allauthors = []
ls_allauthororder = []
ls_authororder = []
for j in range(len(aut)):
auth = str(aut[j])
result = re.search(
'nome-completo-do-autor=\"(.*)\" nome-para-citacao',
auth)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
nca = result.group(1) # nomecompletoautor
ls_allauthors.append(cc)
# print(cc)
# order de autoria
result = re.search(
'ordem-de-autoria=\"(.*)\"',
auth)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
ncao = result.group(1)
ls_allauthororder.append(cc)
if fullname == nca:
ls_authororder.append(ncao)
# print(fullname + ' ' + ncao)
# print(cc)
ls_liv_authors.append(ls_allauthors)
ls_liv_authororder.append(ls_allauthororder)
ls_liv_orders.append(ls_authororder)
# print(cc)
# DataFrame livros publicados
df_livro = pd.DataFrame({'TITLE': ls_liv_title,
'YEAR': ls_liv_year,
'LANG': ls_liv_lang,
'EDITORA': ls_liv_edit,
'AUTHOR': ls_liv_authors,
'ORDER': ls_liv_authororder,
'ORDER_OK': ls_liv_orders})
latid = zipname.split('.')[0]
pathfilename = str('./csv_producao/' + latid + '_livro' '.csv')
df_livro.to_csv(pathfilename, index=False)
print(pathfilename, ' gravado com', len(
df_livro['YEAR']), 'livros publicados')
# ------------------------------------------------------------
# Capitulos de livros
# ------------------------------------------------------------
def getcapit(zipname):
# lendo do zipfile
# zipname = '1292986021348016.zip'
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# capturando nome completo para ordem de autoria
cv = soup.find_all('curriculo-vitae')
if len(cv) == 0:
print('curriculo vitae nao encontrado para', zipname)
else:
# listas para armazenamento de dados producao tecnica
for i in range(len(cv)):
dg = cv[i].find_all('dados-gerais')
# VERIFICANDO se ha dados gerais
if len(dg) == 0:
print('Dados gerais nao encontrados para', zipname)
else:
for j in range(len(dg)):
# definindo nome completo
gendata = str(dg[j])
result = re.search('nome-completo=\"(.*)\" nome-em-citacoes',
gendata)
cc = fun_result(result)
fullname = cc
# ------------------------------------------------------------
# extrair todas as producoes livros e capitulos
livscaps = soup.find_all('livros-e-capitulos')
# VERIFICANDO se ha livros e capitulos
if len(livscaps) == 0:
print('Capitulos publicados nao encontrados para', zipname)
else:
capspuborg = livscaps[0].find_all('capitulos-de-livros-publicados')
# VERIFICANDO se ha capitulos
if len(capspuborg) == 0:
print('Capitulos publicados nao encontrados para', zipname)
else:
cappuborg = capspuborg[0].find_all('capitulo-de-livro-publicado')
# listas para armazenamento de dados livros e capitulos
ls_cap_title = []
ls_cap_year = []
ls_cap_lang = []
ls_cap_edit = []
ls_cap_authors = []
ls_cap_authororder = []
ls_cap_orders = []
# a partir de cada livro capitulo publicado extrair inf de interesse
for i in range(len(cappuborg)):
# dados basicos do livro
dbc = cappuborg[i].find_all('dados-basicos-do-capitulo')
capitdb = str(dbc)
# definindo o nome do capitulo
result = re.search('titulo-do-capitulo-do-livro=\"(.*)\" titulo-do-capi',
capitdb)
cc = fun_result(result)
ls_cap_title.append(cc)
# print(cc)
# definindo ano do livro
result = re.search('ano=\"(.*)\" doi',
capitdb)
cc = fun_result(result)
ls_cap_year.append(cc)
# print(cc)
# definindo idioma do livro
result = re.search('idioma=\"(.*)\" meio-de-divulgacao=',
capitdb)
cc = fun_result(result)
ls_cap_lang.append(cc)
# detalhamento do livro
ddc = cappuborg[i].find_all('detalhamento-do-capitulo')
capitdt = str(ddc)
# definindo editora
result = re.search('nome-da-editora=\"(.*)\" numero-da-edicao-r',
capitdt)
cc = fun_result(result)
ls_cap_edit.append(cc)
# print(cc)
# autores do livro
aut = cappuborg[i].find_all('autores')
ls_allauthors = []
ls_allauthororder = []
ls_allorders = []
ls_authororder = []
for j in range(len(aut)):
auth = str(aut[j])
result = re.search(
'nome-completo-do-autor=\"(.*)\" nome-para-citacao',
auth)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
nca = result.group(1) # nomecompletoautora
ls_allauthors.append(cc)
# print(cc)
# order de autoria
result = re.search(
'ordem-de-autoria=\"(.*)\"',
auth)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
ncao = result.group(1)
ls_allauthororder.append(cc)
if fullname == nca:
ls_authororder.append(ncao)
# print(fullname + ' ' + ncao)
# print(cc)
ls_cap_authors.append(ls_allauthors)
ls_cap_authororder.append(ls_allauthororder)
ls_cap_orders.append(ls_authororder)
# print(cc)
# DataFrame livros publicados
df_capit = pd.DataFrame({'TITLE': ls_cap_title,
'YEAR': ls_cap_year,
'LANG': ls_cap_lang,
'EDITORA': ls_cap_edit,
'AUTHOR': ls_cap_authors,
'ORDER': ls_cap_authororder,
'ORDER_OK': ls_cap_orders})
latid = zipname.split('.')[0]
pathfilename = str('./csv_producao/' + latid + '_capitulo' '.csv')
df_capit.to_csv(pathfilename, index=False)
print(pathfilename, ' gravado com', len(
df_capit['YEAR']), 'capítulos publicados')
# ------------------------------------------------------------
# Nome completo, nome citacao, e bio
# ------------------------------------------------------------
def getnomecompleto(zipname):
# lendo do zipfile
# zipname = '5859946324646438.zip'
zipfilepath = './xml_zip' + '/' + str(zipname)
archive = zipfile.ZipFile(zipfilepath, 'r')
lattesxmldata = archive.open('curriculo.xml')
soup = BeautifulSoup(lattesxmldata, 'lxml',
from_encoding='ISO-8859-1')
# extrair curriculo vitae
cv = soup.find_all('curriculo-vitae')
# VERIFICANDO se ha demais tipos de producao
if len(cv) == 0:
print('curriculo vitae nao encontrado para', zipname)
else:
# listas para armazenamento de dados producao tecnica
ls_name_full = []
ls_name_last = []
ls_name_id = []
ls_city = []
ls_state = []
ls_citado = []
ls_abstrac = []
ls_update = []
ls_address_enterp = []
for i in range(len(cv)):
# definindo atualizacao
cvdata = str(cv[i])
result = re.search('data-atualizacao=\"(.*)\" hora-atualizacao',
cvdata)
if result is None:
cc = 'VAZIO'
else:
cc = result.group(1)
upd = str(cc[0:2]) + '-' + \
str(cc[2:4]) + '-' + str(cc[4:])
cc = upd
# print(cc)
ls_update.append(cc)
dg = cv[i].find_all('dados-gerais')
# VERIFICANDO se ha dados gerais
if len(dg) == 0:
print('Dados gerais nao encontrados para', zipname)
else:
for j in range(len(dg)):
# definindo nome completo
gendata = str(dg[j])
result = re.search('nome-completo=\"(.*)\" nome-em-citacoes',
gendata)
cc = fun_result(result)
ls_name_full.append(cc)
lastname = cc.split(' ')[-1]
ls_name_last.append(lastname)
idd = zipname.split('.')[0]
ls_name_id.append(idd)
# definindo cidade
gendata = str(dg[j])
result = re.search('cidade-nascimento=\"(.*)\" data-faleci',
gendata)
cc = fun_result(result)
ls_city.append(cc)
# definindo estado
gendata = str(dg[j])
result = re.search('uf-nascimento=\"(.*)\"><res',
gendata)
cc = fun_result(result)
ls_state.append(cc)
# definindo nome em citacoes
gendata = str(dg[j])
result = re.search('nome-em-citacoes-bibliograficas=\"(.*)\" pais-de-nacional',
gendata)
cc = fun_result(result)
ls_citado.append(cc)
rescv = cv[i].find_all('resumo-cv')
address = cv[i].find_all('endereco')
# VERIFICANDO se ha resumo
if len(rescv) == 0:
print('Resumo cv nao encontrados para', zipname)
cc = 'VAZIO'
ls_abstrac.append(cc)
else:
for j in range(len(rescv)):
# definindo resumo
abstdata = str(rescv[j])
result = re.search('texto-resumo-cv-rh=\"(.*)\" texto-resumo-cv-rh-en=',
abstdata, re.DOTALL)
if result is None:
cc = 'Nao foi possivel extrair o resumo'
else:
cc = result.group(1)
ls_abstrac.append(cc)
# VERIFICANDO se ha endereco
if len(address) == 0:
print('Endereco nao encontrado para', zipname)
cc = 'VAZIO'
ls_address_enterp.append(cc)
else:
for j in range(len(address)):
# verificando se ha endereco profissional
address_prof = address[j].find_all('endereco-profissional')
if len(address_prof) == 0:
print('Endereco profissional nao encontrado para', zipname)
cc == 'VAZIO'
ls_address_enterp.append(cc)
else:
# definindo endereco
addressdata = str(address_prof[0])
result = re.search('nome-instituicao-empresa=\"(.*)\" nome-orgao=',
addressdata, re.DOTALL)
if result is None:
cc = 'Nao foi possivel extrair o endereco profissional'
else:
cc = result.group(1)
ls_address_enterp.append(cc)
# DataFrame nome completo e sobrenome