SourceBot
Description
Le bot détecte l'absence éventuelle d'une source dans une ligne biographique et la signale Il met à jour une page FactChecking qui liste les entrées non sourcées en associant une référence particulière à cet inconnue Il scanne régulièrement la page, si la sourcée est ajoutée il a remet dans la biographie. Les entrées non sourcées comprennent aussi les entrées qui ont une source qui n'est pas letemps.ch .
Exemples
- 1975 / Lausanne Diplôme en mathématiques à l'EPFL. [1]
- 1978 / Lausanne Election de Daniel Brélaz à l'Assemblée fédérale.
Notre bot recupère la page de Daniel Brélaz et elle retourne les dates de toute les entrées non-sourcées ou avec une autre source que letemps.ch . Il écrit sur FactChecking :
Daniel Brélaz
The wrong entries in this page are the sources with the following dates: [ 1975 , 1978 ]
Performances
Notre bot repère toutes les entrées des pages des Datafication Biographiques qui sont pas ou mal sourcée: Ensuite celui-ci met à jour la page FactChecking en écrivant la ou les date manquantes. Nous avons commencé par afficher le numero de la ligne ou il n'y avait pas de source, puis nous nous sommes rendu comptes que quelques unes des entrées qui étaient sourcées l'étaient mal, nous avons donc décidé de rajouter à FactChecking toutes les entrées qui n'avaient pas une source provenant du site letemps.ch. Une fois que nous avions récupérer tous les numéro des lignes mal sourcées/non sourcées, nous avons fait en sorte d'afficher la date associée à l'entrée non sourcée. Cependant nous avons repérer plusieurs types de format de date. Notre bot permet de repérer les dates sous le format suivant :
*1999.02.01 / ou *1998.03.01: ou le format standard * 1998.05.08 /
Si la date ne correspond a aucun de ces modèles alors l'affichage des sources mal sourcées sur FactChecking sera moins performant: il n'affichera pas la date, mais la ligne où l'entrée est mal soourcée. Pour réaliser tout cela nous avons utilisé des regular expressions afin de repérer la date et le lien : si le format d'une entrée n'est pas respecté: si la date n'est pas le premier Hypermot alors il y aura des baisses de perfomances puisque l'affichage ne sera plus celui de la date:
ex: *Johny/
Code
# coding: utf-8
import urllib
import requests
from bs4 import BeautifulSoup
import re
user='Vlaedr'
passw='Alextall007'
baseurl='http://wikipast.epfl.ch/wikipast/'
summary='Wikipastbot update'
#names=['Daniel Brélaz']
# Login request
payload={'action':'query','format':'json','utf8':'','meta':'tokens','type':'login'}
r1=requests.post(baseurl + 'api.php', data=payload)
#login confirm
login_token=r1.json()['query']['tokens']['logintoken']
payload={'action':'login','format':'json','utf8':'','lgname':user,'lgpassword':passw,'lgtoken':login_token}
r2=requests.post(baseurl + 'api.php', data=payload, cookies=r1.cookies)
#get edit token2
params3='?format=json&action=query&meta=tokens&continue='
r3=requests.get(baseurl + 'api.php' + params3, cookies=r2.cookies)
edit_token=r3.json()['query']['tokens']['csrftoken']
edit_cookie=r2.cookies.copy()
edit_cookie.update(r3.cookies)
fullbios = ''
name = 'Biographies'
result=requests.post(baseurl+'api.php?action=query&titles='+name+'&export&exportnowrap')
soup=BeautifulSoup(result.text, "lxml")
code=''
for primitive in soup.findAll("text"):
code+=primitive.string
fullbios = code
#get the list of all the names of the pages to check
allnames = []
pattern = '\* ?\[\[([^\]]*)\]\].*'
p = re.compile(pattern)
bioNames = fullbios.split('\n')
for c in bioNames:
tk = c.split('\n')
for t in tk:
if t:
match = p.match(t)
if match:
allnames.append(match.group(1))
#get code of each name page
fullCode = []
for name in allnames:
result=requests.post(baseurl+'api.php?action=query&titles='+name+'&export&exportnowrap')
soup=BeautifulSoup(result.text, "lxml")
#soup=BeautifulSoup(result.text)
code=''
for primitive in soup.findAll("text"):
code += primitive.string
fullCode.append((code, name))
# the argument is the plain text of the page
# this fonction returns a tuple:
# first element is a boolean: true if all entries are sourced
# false if sources are missing
# second element is a list of : all dates where the source is wrong.
#int: all the bad lines indexes
def findBadPage(pageText):
# get all the lines
tokens = []
tk = pageText.split('\n')
for t in tk:
if t:
if t[0] == '*':
tokens.append(t)
#check if line is sourced
r = '\*.*\[https?:\/\/w?w?w?\.?letemps[^\]]*\].*'
p = re.compile(r)
dates_isolator_expr = ['\* \[\[(.*)\]\] \/', '\*\[\[(.*)\]\]\:', '\*\[\[(.*)\]\]\/']
index = 0
allSourced = True
wrongDatesSources = []
for t in tokens:
match = p.match(t)
if not match:
print(t)
allSourced = False
count = 0;
didmatch = False
#Check if dates in any of the tree forms.
for i in dates_isolator_expr :
count +=1
d = re.compile(i)
match = d.match(t)
if match:
didmatch = True
wrongDatesSources.append(match.group(1))
if count == 3 and not didmatch :
wrongDatesSources.append('false source at line: ' + str(index))
otherSource = '\*.*\[(https?:\/\/.*)\].*'
pOth = re.compile(otherSource)
match = pOth.match(t)
index +=1
return (allSourced, wrongDatesSources)
content = '\n'
content += 'Cette page liste toutes les biographies ayant des entrées non sourcées.'
content += '\n==Bad page==\n'
badpage = []
wrongDatesSources = []
ok =True
for (c, name) in fullCode:
(ok, wrongDatesSources) = findBadPage(c)
if not ok:
badpage.append(name)
content += name
content += '\n The wrong entries in this page are the sources with the following dates: '
content += str(wrongDatesSources)
content += '\n\n'
#send to page FactChecking
'''content = '\n'
content += 'Cette page liste toutes les biographies ayant des entrées non sourcées.'
content += '\n==Bad page=='
content += '\n[[' + badpage[0] + ']]' '''
payload = {'action':'edit','assert':'user','format':'json','utf8':'','text':content,
'summary':summary,'title':'FactChecking','token':edit_token}
r4=requests.post(baseurl+'api.php',data=payload,cookies=edit_cookie)