-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.html
773 lines (649 loc) · 27.9 KB
/
index.html
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
<!doctype html>
<html lang="es">
<head>
<meta charset="utf-8">
<title>Scraping de contenidos e integración en Drupal 8</title>
<link rel="apple-touch-icon-precomposed" sizes="57x57" href="assets/custom/favicon/apple-touch-icon-57x57.png" />
<link rel="apple-touch-icon-precomposed" sizes="114x114" href="assets/custom/favicon/apple-touch-icon-114x114.png" />
<link rel="apple-touch-icon-precomposed" sizes="72x72" href="assets/custom/favicon/apple-touch-icon-72x72.png" />
<link rel="apple-touch-icon-precomposed" sizes="144x144" href="assets/custom/favicon/apple-touch-icon-144x144.png" />
<link rel="apple-touch-icon-precomposed" sizes="60x60" href="assets/custom/favicon/apple-touch-icon-60x60.png" />
<link rel="apple-touch-icon-precomposed" sizes="120x120" href="assets/custom/favicon/apple-touch-icon-120x120.png" />
<link rel="apple-touch-icon-precomposed" sizes="76x76" href="assets/custom/favicon/apple-touch-icon-76x76.png" />
<link rel="apple-touch-icon-precomposed" sizes="152x152" href="assets/custom/favicon/apple-touch-icon-152x152.png" />
<link rel="icon" type="image/png" href="assets/custom/favicon/favicon-196x196.png" sizes="196x196" />
<link rel="icon" type="image/png" href="assets/custom/favicon/favicon-96x96.png" sizes="96x96" />
<link rel="icon" type="image/png" href="assets/custom/favicon/favicon-32x32.png" sizes="32x32" />
<link rel="icon" type="image/png" href="assets/custom/favicon/favicon-16x16.png" sizes="16x16" />
<link rel="icon" type="image/png" href="assets/custom/favicon/favicon-128.png" sizes="128x128" />
<meta name="msapplication-TileColor" content="#FFFFFF" />
<meta name="msapplication-TileImage" content="assets/custom/favicon/mstile-144x144.png" />
<meta name="msapplication-square70x70logo" content="assets/custom/favicon/mstile-70x70.png" />
<meta name="msapplication-square150x150logo" content="assets/custom/favicon/mstile-150x150.png" />
<meta name="msapplication-square310x310logo" content="assets/custom/favicon/mstile-310x310.png" />
<meta name="description" content="Scraping de contenidos e integración en Drupal 8">
<meta name="author" content="vifito">
<meta name="apple-mobile-web-app-capable" content="yes">
<meta name="apple-mobile-web-app-status-bar-style" content="black-translucent">
<meta name="viewport" content="width=device-width, initial-scale=1.0, maximum-scale=1.0, user-scalable=no">
<link rel="stylesheet" href="assets/reveal.js/css/reveal.css">
<!-- <link rel="stylesheet" href="assets/reveal.js/css/theme/black.css" id="theme"> -->
<link rel="stylesheet" href="assets/custom/css/usc.css" id="theme">
<link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.6.3/css/font-awesome.min.css">
<!-- Theme used for syntax highlighting of code -->
<link rel="stylesheet" href="assets/reveal.js/lib/css/zenburn.css">
<!-- Printing and PDF exports -->
<script>
var link = document.createElement( 'link' );
link.rel = 'stylesheet';
link.type = 'text/css';
link.href = window.location.search.match( /print-pdf/gi ) ? 'assets/reveal.js/css/print/pdf.css' : 'assets/reveal.js/css/print/paper.css';
document.getElementsByTagName( 'head' )[0].appendChild( link );
</script>
<!--[if lt IE 9]>
<script src="assets/reveal.js/lib/js/html5shiv.js"></script>
<![endif]-->
</head>
<body>
<div class="reveal">
<!-- Any section element inside of this container is displayed as a slide -->
<div class="slides">
<section>
<section>
<h1>Scraping de contenidos e integración en Drupal8</h1>
<p>
<em>Tomás Vilariño Fidalgo</em><br/>
<small>
Ingeniero Informático <small>(UVigo)</small><br/>
Técnico Especialista en Desarrollo Web <small>(UJI)</small><br/>
</small>
</p>
<p>
<a href="https://www.drupal.org/u/vifito"><i class="fa fa-drupal" aria-hidden="true"></i> vifito</a>
<a href="https://twitter.com/vifito"><i class="fa fa-twitter" aria-hidden="true"></i>@vifito</a>
</p>
</section>
<section data-background="assets/custom/images/oficina-web.jpg">
<h2>Trabajo en</h2>
<h3><i class="fa fa-home" aria-hidden="true"></i> Oficina Web de la <abbr title="Universidad de Santiago de Compostela">USC</abbr></h3>
<p>
actualmente en la migración de la web <a href="http://www.usc.es">www.usc.es</a> a Drupal 8.
</p>
</section>
</section>
<!--<section>
<h2>Agenda</h2>
<ul>
<li>Situación actual</li>
<li>Instalación de las herramientas necesarias</li>
<li>Tipos de crawlers</li>
<li>Extracción de contenidos</li>
<li>Limpieza de código HTML, tratamiento imágenes y ficheros</li>
<li>Integración en Drupal</li>
</ul>
</section>-->
<section>
<h2>Situación actual</h2>
<p class="fragment grow">Migración web USC.es</p>
<p class="fragment grow">Sitio con miles de páginas</p>
<p class="fragment grow">Nos centramos en exportar páginas "estáticas"</p>
<p class="fragment grow">Compleja exportación datos</p>
<p class="fragment grow">Mantener misma estructura navegación (SEO)</p>
</section>
<section>
<h2>Primera idea</h2>
<p>Utilizar soluciones de exportación del CMS actual, o acceso directo a base de datos</p>
<p>
<strong class="fragment fade-in">Problemas</strong>
<ul>
<li class="fragment fade-in">Acceso a base de datos implica "gestiones" con departamento de sistemas</li>
<li class="fragment fade-in">Desconocimiento estructura base de datos, elevada curva de aprendizaje</li>
<li class="fragment fade-in">El actual CMS utiliza un sistema de ficheros en base de datos (VFS)</li>
</ul>
</p>
<aside class="notes">
Es posible montar el VFS por medio de SMB/CIFS o usando CMIS
</aside>
</section>
<section>
<h2>Segunda idea</h2>
<p>Acceder directamente a través de la web y extraer los contenidos (scraping).</p>
</section>
<section>
<h2>Prueba de concepto I</h2>
<p>
Utilizar <strong>Goutte</strong> para recuperar y extraer contenidos.<br/>Insertar en Drupal a través de un comando <strong>Drush</strong> usando Entity API.<br/> Todo implementado en <strong>PHP</strong> con componentes alternativos <strong>Guzzle</strong> y <strong>DOMCrawler</strong>.
</p>
<p>
<img src="assets/custom/images/php.png" alt="" border="0" />
</p>
<img class="fragment current-visible" src="assets/custom/images/100x100php.png" alt="" style="border-width:0px;box-shadow:none;position:absolute; left:0px; top:0px;" />
</section>
<section>
<h2>Prueba de concepto I (inconvenientes)</h2>
<p class="fragment fade-in">
La idea funciona para una páxina pero presenta inconvenientes para rastrear todo un sitio.
</p>
<p>
<strong class="fragment fade-in">Es necesario implementar:</strong>
<ul>
<li class="fragment fade-in">Gestión de la cola de peticiones pendientes</li>
<li class="fragment fade-in">Rastreo de enlaces y gestión de duplicados</li>
<li class="fragment fade-in">Almacenamiento de los contenidos extraídos</li>
<li class="fragment fade-in">Procesamiento multihilo</li>
<li class="fragment fade-in">Gestión jobs: pausing and resuming crawls</li>
<li class="fragment fade-in">Estadísticas, tratamiento imágenes, ficheros, gestión de redirecciones, errores 500...</li>
</ul>
</p>
<aside class="notes">
- Importante controlar el código de estado y los content-types de retorno
- Los ficheros en OpenCMS están en el VFS
- Las imágenes están en miniaturas (queremos originales)
</aside>
</section>
<section>
<h2>Prueba de concepto II</h2>
<p>
Necesitamos algo más que un API de scraping de páginas.
<ul>
<li class="fragment fade-in">Scraping, extracción de contenidos</li>
<li class="fragment fade-in">Crawling, bot para seguir la navegación</li>
<li class="fragment fade-in">Storing, almacenar los contenidos</li>
<li class="fragment fade-in">Plumbing, otras tareas de «fontanería»</li>
</ul>
</p>
</section>
<section>
<h2>Prueba de concepto II</h2>
<p>
<img src="assets/custom/images/scrapy-big-logo.png" data-unbordered="true" alt="" align="right" />
Encontramos un framework más completo centrado en la programación de arañas.
<br/>
Usamos framework Scrapy y obtenemos contenidos en formato JSON. Posteriormente con Drush los integramos en Drupal.
</p>
<p>
<img src="assets/custom/images/solucionII.png" data-unbordered="true" alt="" border="0" />
</p>
<img class="fragment current-visible" src="assets/custom/images/50x50.png" alt="" style="border-width:0px;box-shadow:none;position:absolute; left:0px; top:0px;" />
</section>
<section>
<h2>Antes de continuar</h2>
<p>
<img src="assets/custom/images/nivel-python.png" data-unbordered="true" alt="" />
</p>
<p>
Mi nivel de Python es bajo (tirando a nulo), sin embargo en una tarde estás programando arañas.
</p>
</section>
<section>
<section>
<h2>Instalación framework scraping (Scrapy)</h2>
<p>
Instalamos scrapy usando <code>pip</code>
</p>
<pre><code class="hljs bash" data-trim contenteditable>
sudo pip install scrapy
</code></pre>
<p class="fragment fade-in">
Usamos el gestor de paquetes de Python <a href="https://es.wikipedia.org/wiki/Pip_(administrador_de_paquetes)">pip</a>
<br/>
<img src="assets/custom/images/pip.png" data-unbordered="true" alt="" border="0" />
</p>
</section>
<section>
<h2>Requisitos previos (Ubuntu)</h2>
<pre><code class="hljs sh">
sudo apt-get install python-dev python-pip libxml2-dev \
libxslt1-dev zlib1g-dev libffi-dev libssl-dev
</code></pre>
</section>
</section>
<section>
<h2>Probamos instalación de scrapy</h2>
<p>
<img src="assets/custom/images/scrapy-cmd.png" data-unbordered="true" alt="" />
</p>
</section>
<section>
<h2>Iniciamos proyecto de scrapy</h2>
<p>
Creamos un proyecto de scrapy con la opción <code>startproject</code>
</p>
<pre><code class="hljs bash">
$ scrapy startproject usc
</code></pre>
</section>
<section>
<h2>Estructura del proyecto</h2>
<pre>
.
├── scrapy.cfg → Fichero de scrapy (nombre de proyecto)
└── paxinas
├── __init__.py
├── items.py → Clase con la definición de los ítems a extraer
├── pipelines.py → Clase que procesa, valida, almacena, ... ítems
├── settings.py → Configuración de opciones del proyecto
└── spiders
└── __init__.py
</pre>
</section>
<section>
<section>
<h2>Crear una araña</h2>
<p>
Desde línea de comandos podemos crear el "esqueleto" de la araña con la opción <code>genspider</code>
</p>
<p>Scrapy viene con varias plantillas para implementar arañas.</p>
<pre><code class="hljs bash">
$ scrapy genspider --list
Available templates:
basic
crawl
csvfeed
xmlfeed
</code></pre>
</section>
<section>
<h2>Tipos de crawlers</h2>
<dl>
<dt>basic</dt>
<dd>La clase hereda de <code>scrapy.Spider</code>, es la implementación más sencilla. </dd>
<dt>crawl</dt>
<dd>La clase hereda de <code>scrapy.CrawlSpider</code>. Por medio de unas reglas busca enlaces y los pone en la cola.</dd>
<dt>xmlfeed</dt>
<dd>La clase hereda de <code>XMLFeedSpider</code>. Diseñado para parsear feeds XML.</dd>
<dt>csvfeed</dt>
<dd>La clase hereda de <code>XMLFeedSpider</code>. Similar a XMLFeedSpider para documentos CSV.</dd>
</dl>
</section>
</section>
<section>
<section>
<h2>Crear una araña II</h2>
<pre><code class="hljs bash">
$ scrapy genspider -t crawl paxinas
</code></pre>
</section>
<section>
<h2>Código de la clase generada</h2>
<pre><code class="hljs python">
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class PaxinasSpider(CrawlSpider):
name = 'paxinas'
allowed_domains = ['usc.es']
start_urls = ['http://www.usc.es/']
rules = (
Rule(LinkExtractor(allow=r'Items/'),
callback='parse_item', follow=True),)
def parse_item(self, response):
pass
</code></pre>
</section>
<section>
<h2>Definimos nuestras reglas</h2>
<pre><code class="hljs python">
rules = (
Rule(
LinkExtractor(
# xpathBasePath es una expresión regular por línea de comandos
restrict_xpaths=xpathBasePath,
deny=[r'/(en|es)/', r'(calMonth=|calYear=)']
),
callback='process_item',
follow=True
),
)
</code></pre>
</section>
</section>
<section>
<h2>Ítems a extraer (items.py)</h2>
<p>Definimos clase <code>PaxinasItem</code> con los campos que vamos a recuperar.</p>
<img src="assets/custom/images/map.png" data-unbordered="true" alt="" />
</section>
<section>
<h2>Selectores</h2>
<table>
<thead>
<tr>
<th>CSS (response.css)</th>
<th>XPath (response.xpath)</th>
</tr>
</thead>
<tbody>
<tr>
<td>title::text</td>
<td>//title/text()</td>
</tr>
<tr>
<td>base::attr(href)</td>
<td>//base/@href</td>
</tr>
<tr>
<td>a[href*=image]::attr(href)</td>
<td>//a[contains(@href, "image")]/@href</td>
</tr>
</tbody>
</table>
<p>También con expresiones regulares <code>response.re()</code>.(*) Portia, proyecto que permite extraer de forma visual.</p>
</section>
<section data-background-video="./assets/custom/scrapy-shell.webm" data-background-color="#FFFFFF">
<h2 class="heading-inverse">scrapy shell http://...</h2>
</section>
<section>
<h2>Implementamos parse_item</h2>
<p>Utilizamos <code>scrapy shell</code> para hacer pruebas de los selectores</p>
<pre><code class="hljs python" data-trim contenteditable>
class PaxinasSpider(CrawlSpider):
# ....
def parse_item(self, response):
# Comprobaciones: 'text/html' not in response.headers['Content-Type']
item = PaxinasItem()
item['url'] = response.url
item['title'] = response.xpath('//title/text()').extract_first()
item['body'] = response.body
item['keywords'] = response.xpath('//meta[@name="keywords"]/@content')
.extract_first()
# Búsqueda de imágenes y ficheros
# ....
item['image_urls'] = images
item['files_urls'] = files
return item
</code></pre>
</section>
<section>
<h2>Configurar pipelines ficheros e imágenes</h2>
<p>Necesitamos configurar <code>ITEM_PIPELINES</code> para dispones del comportamiento automático de los campos <code>image_urls</code> y <code>file_urls</code>.</p>
<pre><code class="hljs python" data-trim contenteditable>
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 1,
'scrapy.pipelines.files.FilesPipeline': 1,
}
dir = os.path.dirname(os.path.abspath(__file__))
IMAGES_STORE = dir + '/../assets/images'
FILES_STORE = dir + '/../assets/files'
</code></pre>
</section>
<section>
<h2>Ejecutamos crawler</h2>
<p>Lanzamos para que guarde en formato json (-o xerencia.json), con parámetros adicionales (-a), incluimos la opción de parar y reanudar el crawler (-s JOBDIR) y guardanmos un log.</p>
<pre><code class="hljs python" data-trim contenteditable>
scrapy crawl paxinas -o xerencia.json \
-a start_url='http://www.usc.es/gl/goberno/xerencia/' \
-a base_path='/goberno/xerencia/' \
-s JOBDIR=crawls/paxinas-1 \
--logfile=xerencia.log
</code></pre>
</section>
<section>
<h2>Mapeo de campos</h2>
<p>Tenemos que mapear los campos del documento JSON a los campos del tipo de contenido.</p>
<img src="assets/custom/images/map.png" data-unbordered="true" alt="" />
</section>
<section>
<h2>Estructura JSON</h2>
<p>(versión reducida)</p>
<pre><code class="hljs json">[{
"title": "Servizo de Xestión Académica - USC",
"url": "http://www.usc.es/gl/servizos/sxa",
"keywords": "usc, universidade, santiago , compostela, ...",
"contidos": "<p>...</p>",
"image_urls": ["http://www.usc.es/gl/servizos/sxa/imaxes/coie.jpg"],
"file_urls": ["http://www.usc.es/gl/servizos/sxa/4_Vacantes_Master.pdf"],
"images": [{
"url": "http://www.usc.es/gl/servizos/sxa/imaxes/coie.jpg",
"path": "full/7eb49e6658ab0f2e7ed894027529dfaeebd9346a.jpg"}],
"files": [{
"url": "http://www.usc.es/gl/servizos/sxa//4_Vacantes_Master.pdf",
"path": "full/67063aa5e3f072742ce4d2c066b973d1ceca64c8.pdf"}]
}, {...}]</code></pre>
</section>
<section>
<h2>Integrar en Drupal I</h2>
<p>Creamos un módulo con un fichero <code>module_name.drush.inc</code></p>
<pre><code class="hljs php" data-trim contenteditable>
/**
* Implements hook_drush_command().
*/
function usc_front_drush_command() {
$items['fe-import-pages'] = [
'callback' => 'usc_front_import_pages',
'description' => 'Importar páginas del sitio USC.es (formato JSON).',
'aliases' => array('feip'),
'arguments' => [
'input' => 'Fichero JSON con el contenido de las páginas a cargar.',],
'options' => [
'assets' => 'Ruta al directorio de assets (files e images)',
'menu_name' => 'Nombre del menú a generar',
],
];
}</code></pre>
<aside class="notes">
- Ejecutar Drush con el alias del sitio (@local). Necesario para construír bien los enlaces.
</aside>
</section>
<section>
<h2>Integrar en Drupal II</h2>
<p>Recorrer los ítems del array json e ir insertando el contenido</p>
<pre><code class="hljs php" data-trim contenteditable>
$data = json_decode(file_get_contents($input), TRUE);
/** @var \Drupal\Core\Path\AliasStorage $aliasStorage */
$aliasStorage = \Drupal::service('path.alias_storage');
foreach($data as $item) {
if (!$aliasStorage->aliasExists($link, $langcode)) {
$values = [
'type' => 'usc_front_page_general',
'title' => $item['titulo'],
// ...
'body' => ['value' => $item['contidos'],],
'field_fe_description' => $item['description'],
];
}
// ... tratar imágenes y ficheros
}</code></pre>
</section>
<section>
<h2>Ficheros gestionados</h2>
<p>Recorrer arrays de <code>images</code> y <code>files</code>, y damos de alta en Drupal (tabla: file_managed)</p>
<pre><code class="hljs php" data-trim contenteditable>
foreach($item['images'] as $img) {
$path = 'public://' . $img['url'];
$imagename = realpath($assets . '/images/' . $img['path']);
// validaciones omitidas, file_exists, ...
$image_stream = file_get_contents($imagename);
if(!file_prepare_directory(dirname($path))) {
drupal_mkdir($dir, NULL, True);
}
$file = file_save_data($image_stream, $path, FILE_EXISTS_REPLACE);
// $alternativeText = $alt !== null? $alt: t('Imaxe');
$image_id[] = [
'target_id' => $file->id(),
'alt' => $alternativeText,
];
// Reemplazar los href en el contenido ($values['body'])
}
$values['field_fe_image'] = $image_id; // array con los IDs de las imágenes
</code></pre>
</section>
<section>
<h2>Otros campos (taxonomías)</h2>
<p>Crear taxonomías para campo <code>keywords</code></p>
<pre><code class="hljs php" data-trim contenteditable>
$terms = explode(',', $item['keywords']);
foreach($terms as $term) {
$termId = $storage->getQuery()
->condition('vid', $keywords_vid)
->condition('name', $term)->execute();
if (empty($termId)) {
$termEntity = \Drupal\taxonomy\Entity\Term::create([
'vid' => $keywords_vid,
'name' => $term,
]);
$termEntity->save();
$termId = [$termEntity->id() => $termEntity->id()];
}
$tids[] = ['target_id' => current($termId),];
}
$values['field_fe_keywords'] = $tids;</code></pre>
</section>
<section>
<h2>Integrar con menús I</h2>
<p>Comprobar que existe un menú, sino crearlo</p>
<pre><code class="hljs php" data-trim contenteditable>
// $menu_name → nombre del menú
$nids = \Drupal::entityQuery('menu')
->condition('id', $menu_name)->execute();
if (empty($nids)) { // Crear menú si no existe
$menu_desc = t('Menú') . ' ' . ucwords(str_replace('menu-', '', $menu_name));
/** @var \Drupal\system\Entity\Menu $menu */
$menu = entity_create('menu', array(
'id' => $menu_name,
'label' => $menu_desc,
'description' => $menu_desc,
'langcode' => 'gl',
));
$menu->save();
}
</code></pre>
</section>
<section>
<h2>Integrar con menús II</h2>
<p>Crear ítems del menú</p>
<pre><code class="hljs php" data-trim contenteditable>
// Comprobar se xa existe
$nids = \Drupal::entityQuery('menu_link_content')
->condition('default_langcode', 1)->condition('title', $item['titulo'])
->condition('link.uri', 'internal:' . $link)
->condition('menu_name', $menu_name)->execute();
if (count($nids) === 0) {
$menuData = [
'title' => $item['titulo'],
'menu_name' => $menu_name,
// ...
'link' => ['uri' => 'internal:' . $link], ];
$menu_link_content = MenuLinkContent::create($menuData);
$menu_link_content->save();
}
</code></pre>
</section>
<section>
<h2>Otras alternativas</h2>
<p>
<ul>
<li class="fragment fade-in">Usar el módulo migrate para integrar los contenidos.</li>
<li class="fragment fade-in">Insertar desde código Python los contenidos directamente en la base de datos.</li>
</ul>
</p>
</section>
<section>
<h2>BONUS: Implementar pipeline propio</h2>
<pre><code class="hljs python" data-trim contenteditable>
import pymongo
# import ...
class PaxinasPipeline(object):
def __init__(self):
connection = pymongo.MongoClient(
settings['MONGODB_SERVER'],
settings['MONGODB_PORT']
)
db = connection[settings['MONGODB_DB']]
self.collection = db[settings['MONGODB_COLLECTION']]
def process_item(self, item, spider):
for data in item:
if not data:
raise DropItem("Missing data!")
self.collection.update({'url': item['url']}, dict(item), upsert=True)
return item
</code></pre>
<p></p>
</section>
<section>
<h2>BONUS: Configuramos pipeline MongoDB</h2>
<pre><code class="hljs python" data-trim contenteditable>
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 1,
'scrapy.pipelines.files.FilesPipeline': 1,
'paxinas.pipelines.PaxinasPipeline': 1,
}
dir = os.path.dirname(os.path.abspath(__file__))
IMAGES_STORE = dir + '/../assets/images'
FILES_STORE = dir + '/../assets/files'
MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = "usc"
MONGODB_COLLECTION = "paxinas"
</code></pre>
</section>
<section>
<h2>BONUS: Try yourself</h2>
<p>
<img src="assets/custom/images/Octocat.jpg" data-unbordered="true" alt="" width="100" />
</p>
<p class="fragment fade-in">
Esta presentación está disponible en: <a href="https://vifito.github.io/drupalday2016/">vifito.github.io/drupalday2016/</a>
</p>
<p class="fragment fade-in">
También el repositorio con: <a href="https://github.com/vifito/drupalday2016">github.com/vifito/drupalday2016</a>
</p>
<pre class="fragment fade-in"><code data-trim contenteditable>
github.com/vifito/drupalday2016
└── demo
├── module
│ └── drupalday
└── scrapy
└── drupalday
</code></pre>
</section>
<section>
<h2>BONUS: Try yourself (demo)</h2>
<p>
La demo incluye <strong>una araña con Scrapy</strong> que recupera los artículos de Drupal 8 de Sitepoint (https://www.sitepoint.com/tag/drupal-8/). Y un <strong>módulo de Drupal</strong> para insertar los artículos.
</p>
<p>En el directorio <code>scrapy</code> ejecutar <code>launch.sh</code> o:</p>
<pre><code class="hljs bash" data-trim contenteditable>
scrapy crawl sitepoint -o drupal.json --logfile=drupal.log
</code></pre>
<p>Copiar el fichero <code>drupal.json</code> y el directorio <code>assets</code> a la raiz de una instalación drupal y ejecutar::</p>
<pre><code class="hljs bash" data-trim contenteditable>
drush ddi drupal.json --assets=./assets
</code></pre>
</section>
<section style="text-align: left;">
<h1>FIN</h1>
<p>
Visítanos en breve
<a href="http://www.usc.es">http://www.usc.gal</a>
</p>
<p class="text-center">
<img src="assets/custom/images/usc-love-drupal.png" align="center" data-unbordered="true" alt="" />
</p>
</section>
</div>
</div>
<script src="assets/reveal.js/lib/js/head.min.js"></script>
<script src="assets/reveal.js/js/reveal.js"></script>
<script>
// More info https://github.com/hakimel/reveal.js#configuration
Reveal.initialize({
controls: true,
progress: true,
history: true,
center: true,
slideNumber: 'c/t',
transition: 'concave', // none/fade/slide/convex/concave/zoom
// More info https://github.com/hakimel/reveal.js#dependencies
dependencies: [
{ src: 'assets/reveal.js/lib/js/classList.js', condition: function() { return !document.body.classList; } },
{ src: 'assets/reveal.js/plugin/markdown/marked.js', condition: function() { return !!document.querySelector( '[data-markdown]' ); } },
{ src: 'assets/reveal.js/plugin/markdown/markdown.js', condition: function() { return !!document.querySelector( '[data-markdown]' ); } },
{ src: 'assets/reveal.js/plugin/highlight/highlight.js', async: true, callback: function() { hljs.initHighlightingOnLoad(); } },
{ src: 'assets/reveal.js/plugin/zoom-js/zoom.js', async: true },
{ src: 'assets/reveal.js/plugin/notes/notes.js', async: true }
]
});
</script>
</body>
</html>