kokes / cedr-n3 Goto Github PK
View Code? Open in Web Editor NEWExtrakce dat z centrální evidence dotací (CEDR)
Extrakce dat z centrální evidence dotací (CEDR)
Ahoj, nemáš lepší nápad než je tohle, k extrakci všeho co je v dotacích? Případně aplikováno na ostatní N3 exporty z CEDR-III
Konverze jde N3 -> RDF -> XML -> MYSQL
$> 7z x Dotace.n3.7z
$> ./rapper.sh Dotace.n3 Dotace.rdf
$> ./rdf_to_xml.py
mysql> LOAD XML LOCAL INFILE '/tmp/Dotace.xml' INTO TABLE cedr.dotace ROWS IDENTIFIED BY '<Dotace>' SET id=NULL, modified=NOW();
mysql > cedr.dotace
CREATE TABLE `dotace` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`about` varchar(255) COLLATE utf8_bin NOT NULL,
`byloRozhodnuto` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`podaniDatum` datetime DEFAULT NULL,
`projektKod` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`smlouvaPodpisDatum` datetime DEFAULT NULL,
`zaznamAktualizaceDatumCas` datetime DEFAULT NULL,
`zaznamIdentifikator` varchar(50) COLLATE utf8_bin DEFAULT NULL,
`zaznamPlatnostDatum` datetime DEFAULT NULL,
`zmenaSmlouvaIdikator` varchar(5) COLLATE utf8_bin DEFAULT NULL,
`projektIdentifikator` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`title` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`podprogram` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`operacniProgramCEDR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`subjektRozliseniKod` int(11) DEFAULT NULL,
`operacniProgramMMR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`prioritaMMR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`opatreniMMR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`podOpatreni` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`grantoveSchemaMMR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`ukonceniSkutecneDatum` datetime DEFAULT NULL,
`zahajeniSkutecneDatum` datetime DEFAULT NULL,
`ukonceniPlanovaneDatum` datetime DEFAULT NULL,
`clenenNaEtapu` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`realizovanNaUzemi` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`prioritaCEDR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`projektNadrizenyIdentifikator` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`podOpatreniCEDR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`opatreniCEDR` varchar(255) COLLATE utf8_bin DEFAULT NULL,
`poznamkaCEDR` text COLLATE utf8_bin,
`modified` datetime DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (`id`),
UNIQUE KEY `about` (`about`),
UNIQUE KEY `zaznamIdentifikator` (`zaznamIdentifikator`),
KEY `opatreniCEDR` (`opatreniCEDR`),
KEY `byloRozhodnuto` (`byloRozhodnuto`),
KEY `podaniDatum` (`podaniDatum`),
KEY `projektKod` (`projektKod`),
KEY `smlouvaPodpisDatum` (`smlouvaPodpisDatum`),
KEY `zaznamAktualizaceDatumCas` (`zaznamAktualizaceDatumCas`),
KEY `zaznamPlatnostDatum` (`zaznamPlatnostDatum`),
KEY `projektIdentifikator` (`projektIdentifikator`),
KEY `title` (`title`),
KEY `podprogram` (`podprogram`),
KEY `operacniProgramCEDR` (`operacniProgramCEDR`),
KEY `subjektRozliseniKod` (`subjektRozliseniKod`),
KEY `operacniProgramMMR` (`operacniProgramMMR`),
KEY `prioritaMMR` (`prioritaMMR`),
KEY `opatreniMMR` (`opatreniMMR`),
KEY `podOpatreni` (`podOpatreni`),
KEY `grantoveSchemaMMR` (`grantoveSchemaMMR`),
KEY `ukonceniSkutecneDatum` (`ukonceniSkutecneDatum`),
KEY `zahajeniSkutecneDatum` (`zahajeniSkutecneDatum`),
KEY `ukonceniPlanovaneDatum` (`ukonceniPlanovaneDatum`),
KEY `clenenNaEtapu` (`clenenNaEtapu`),
KEY `realizovanNaUzemi` (`realizovanNaUzemi`),
KEY `prioritaCEDR` (`prioritaCEDR`),
KEY `projektNadrizenyIdentifikator` (`projektNadrizenyIdentifikator`),
KEY `podOpatreniCEDR` (`podOpatreniCEDR`)
) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8 COLLATE=utf8_bin
rdf_to_xml.py
#!/usr/bin/env python3
from lxml import etree
import sys
import re
_xslt = etree.parse('Dotace.xslt')
_dom = etree.iterparse('Dotace.rdf')
transform = etree.XSLT(_xslt)
results = open('Dotace.xml','w+')
for elem in _dom:
if (re.search("Dotace", elem[1].tag)):
newElem = transform(elem[1])
#print(etree.tostring(newElem,xml_declaration = False))
results.write(etree.tostring(newElem,xml_declaration = False))
rapper.sh
#!/bin/bash
date
echo "from:" $1 " to: " $2
echo "" > $2
rapper \
-f 'xmlns:ns1="http://cedropendata.mfcr.cz/c3lod/isdp/vocabIsdp/space/v1#"' \
-f 'xmlns:ns2="http://cedropendata.mfcr.cz/c3lod/csu/vocabCSU#"' \
-f 'xmlns:ns3="http://www.w3.org/2004/02/skos/core#"' \
-f 'xmlns:ns4="http://cedropendata.mfcr.cz/c3lod/isdp/vocabIsdp/dataElements/v1#"' \
-f 'xmlns:ns5="http://purl.org/dc/terms/"' \
-f 'xmlns:ns6="http://cedropendata.mfcr.cz/c3lod/isdp/vocabIsdp/fkis/v1#"' \
-f 'xmlns:ns7="http://cedropendata.mfcr.cz/c3lod/cedr/vocabCEDR#"' \
-f 'xmlns:ns8="http://cedropendata.mfcr.cz/c3lod/ruian/vocabRUIAN#"' \
-f 'xmlns:ns9="http://cedropendata.mfcr.cz/c3lod/isdp/vocabIsdp/business/v2#"' \
-f 'xmlns:ns10="http://cedropendata.mfcr.cz/c3lod/isdp/vocabIsdp/person/v2#"' \
-f 'xmlns:ns11="http://cedropendata.mfcr.cz/c3lod/rob/vocabROB#"' \
-f 'xmlns:ns12="http://purl.org/goodrelations/v1#"' \
-f 'xmlns:ns13="http://xmlns.com/foaf/0.1/"' \
-f 'xmlns:ns14="http://cedropendata.mfcr.cz/c3lod/isdp/vocabIsdp/common/v1#"' \
-f 'xmlns:ns15="http://cedropendata.mfcr.cz/c3lod/mmr/vocabMMR#"' \
-f 'xmlns:ns16="http://cedropendata.mfcr.cz/c3lod/edssmvs/vocabEDSSMVS#"' \
-i ntriples \
-o rdfxml-abbrev \
$1 > $2
date
Ahoj, nemáš ciselnikMmrCinnostTypev01.n3 někde v záloze? Díky!
Download output:
> ./download.sh
http://cedropendata.mfcr.cz/c3lod/ciselnikMmrCinnostTypev01.n3.7z:
2017-03-12 10:08:19 ERROR 404: Not Found.
download.sh
#!/bin/bash
# http://cedropendata.mfcr.cz/c3lod/cedr/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/Adresa.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrCinnostTypev01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrGrantoveSchemav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrOpatreniv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrOperacniProgramv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrPodOpatreniv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrPodprogramv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrPrioritav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikCedrProgramPodporav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikDotacePoskytovatelv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikDotaceTitulv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikFinancniProstredekCleneniv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikFinancniZdrojv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikRozpoctovaSkladbaParagrafv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikRozpoctovaSkladbaPolozkav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikStatniRozpocetKapitolav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikStatniRozpocetUkazatelv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikUcelZnakv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/Dotace.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/Etapa.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/PrijemcePomoci.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/Rozhodnuti.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/RozhodnutiSmlouva.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/RozpoctoveObdobi.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/SplatkaKalendar.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/UzemniRealizace.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/mmr/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrCinnostTypev01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrGrantoveSchemav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrOpatreniv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrOperacniProgramv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrPodOpatreniv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrPodprogramv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrPrioritav01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMmrProgramPodporav01.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/ares/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/EkonomikaSubjekt.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/ruian/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikKrajv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikMestskyObvodMestskaCastv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikObecv01.n3.7z"
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikVuscv01.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/rob/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/Osoba.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/csu/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikStatv01.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/szcr/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikPravniFormav01.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/edssmvs/void
wget -c -nv "http://cedropendata.mfcr.cz/c3lod/ciselnikProgramv01.n3.7z"
# http://cedropendata.mfcr.cz/c3lod/isdp/void
# isdp no dataDump
Review pls? Nejsem primárně python programátor, ale po všech úprávach (viz diff) mi funguje parsování a export/import do CSV z nekomprimovaných N3 souborů (složka N3 v rootu git repa, viz. gitignore)
Především mě překvapilo že musím dělat list(dict.values())
aby to prolezlo csv.writer.writerow
A přidal jsem exportování číselníku do samostatného CSV csv/_ciselniky.csv
k tomu je pak vhodná tabulka a import SQL příkaz (MySQL)
tabulka
CREATE TABLE `ciselniky` (
`id` int(11) NOT NULL AUTO_INCREMENT COMMENT 'ai id field',
`cedr_id` varchar(255) COLLATE utf8_bin NOT NULL COMMENT 'unique cedropendata id',
`name` varchar(255) COLLATE utf8_bin NOT NULL COMMENT 'name',
`modified` datetime DEFAULT CURRENT_TIMESTAMP COMMENT 'date of item last modified',
PRIMARY KEY (`id`),
UNIQUE KEY `cedr_id` (`cedr_id`),
FULLTEXT KEY `name` (`name`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COLLATE=utf8_bin
import _ciselniky.csv into mysql
LOAD DATA LOCAL INFILE '/tmp/csv/_ciselniky.csv' INTO TABLE ciselniky FIELDS OPTIONALLY ENCLOSED BY '"' TERMINATED BY ',' LINES TERMINATED BY '\r\n' IGNORE 0 LINES (cedr_id, name) SET id=NULL, modified=NOW();
diff repozitare
diff --git a/.gitignore b/.gitignore
index ed6cf7e..3549076 100644
--- a/.gitignore
+++ b/.gitignore
@@ -1,3 +1,4 @@
archive/*
*.swp
-
+/csv
+/N3
diff --git a/extrahuj.csv b/extrahuj.csv
index 83c31fa..e7dbbca 100644
--- a/extrahuj.csv
+++ b/extrahuj.csv
@@ -1,5 +1,5 @@
targz,soubor,chcem,cil
-data/Dotace.n3.tar.gz,./cedr/Dotace.n3,"zmenaSmlouvaIndikator, zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, smlouvaPodpisDatum, projektIdentifikator, projektNazev",csv/dotace.csv
-./data/PrijemcePomoci.n3.tar.gz,./cedr/PrijemcePomoci.n3,"zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, jeRegistrovanSPravniFormou, jePrislusnikStatu, obchodniJmeno, ico, jmeno, prijmeni, dic",csv/prijemce.csv
-./data/Rozhodnuti.n3.tar.gz,./cedr/Rozhodnuti.n3,"zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, rokRozhodnuti, navratnostIndikator, menaKod, investiceIndikator, financovanoZeZdroje, financniProstredekCleneni, dotaciPoskytl, castkaRozhodnuta",csv/rozhodnuti.csv
-./data/RozpoctoveObdobi.n3.tar.gz,./cedr/RozpoctoveObdobi.n3,"zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, rozpocetObdobi, refRozpoctoveObdobi, menaKod, castkaUvolnena, castkaCerpana, castkaSpotrebovana, dotaceTitul",csv/rozpoctove_obdobi.csv
\ No newline at end of file
+./N3/Dotace.n3,./N3/Dotace.n3,"zmenaSmlouvaIndikator, zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, smlouvaPodpisDatum, projektIdentifikator, projektNazev",csv/dotace.csv
+./N3/PrijemcePomoci.n3,./N3/PrijemcePomoci.n3,"zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, jeRegistrovanSPravniFormou, jePrislusnikStatu, obchodniJmeno, ico, jmeno, prijmeni, dic",csv/prijemce.csv
+./N3/Rozhodnuti.n3,./N3/Rozhodnuti.n3,"zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, rokRozhodnuti, navratnostIndikator, menaKod, investiceIndikator, financovanoZeZdroje, financniProstredekCleneni, dotaciPoskytl, castkaRozhodnuta",csv/rozhodnuti.csv
+./N3/RozpoctoveObdobi.n3,./N3/RozpoctoveObdobi.n3,"zaznamPlatnostDatum, zaznamIdentifikator, zaznamAktualizaceDatumCas, rozpocetObdobi, refRozpoctoveObdobi, menaKod, castkaUvolnena, castkaCerpana, castkaSpotrebovana, dotaceTitul",csv/rozpoctove_obdobi.csv
diff --git a/extrahuj.py b/extrahuj.py
old mode 100644
new mode 100755
index 83361a9..1250b75
--- a/extrahuj.py
+++ b/extrahuj.py
@@ -1,37 +1,35 @@
+#!/usr/bin/env python3
+
from glob import glob
import csv
import tarfile
import os
-import gzip
from collections import defaultdict, OrderedDict
-
# ## Číselníky
# Napřed načteme číselníky, které budeme používat jako slovníky pro údaje v samotném CEDRu.
# Tohle budem držet v paměti a pak za chodu nahrazovat.
print('Načítám číselníky')
-gfn = glob('data/ciselnik*.tar.gz')
+gfn = glob('./N3/ciselnik*.n3')
cdt = dict()
for gf in gfn:
- tf = tarfile.open(gf, 'r:gz')
- for fnm in tf.getmembers():
- if '/ciselnik' not in fnm.name: continue
- if not fnm.name.endswith('.n3'): continue
- # print(fnm)
-
- ff = tf.extractfile(fnm.name)
-
- for j in ff:
- if b'/title>' not in j: continue
- d = j.split()
- key = d[0][1:-1].decode('ascii')
- val = (b' '.join(d[2:-1])).decode('unicode-escape')
- if val.startswith('"'):
- val = val[1:val.rindex('"')]
-
- cdt[key] = val
+ ff = open(gf, 'rb')
+ for j in ff:
+ if b'/title>' not in j: continue
+ d = j.split()
+ key = d[0][1:-1].decode('ascii')
+ val = (b' '.join(d[2:-1]))
+ if val.startswith(b'"'):
+ val = val[1:val.rindex(b'"')].decode('unicode-escape')
+ cdt[key] = val
+
+# zapis ciselniky do CSV
+with open('csv/_ciselniky.csv', 'w') as csv_file:
+ writer = csv.writer(csv_file)
+ for key, value in cdt.items():
+ writer.writerow([key, value])
def extrahuj(ff, chces, tfn):
"""
@@ -63,7 +61,8 @@ def extrahuj(ff, chces, tfn):
kc = list(counts.keys()) # protoze budem menit
for k in kc:
if counts[k] != lc: continue # jeste nemame vse
- w.writerow(ret[k].values())
+# print((ret[k].values()))
+ w.writerow(list(ret[k].values()))
del ret[k]
del counts[k]
@@ -105,7 +104,7 @@ def extrahuj(ff, chces, tfn):
# vypsat zbyvajici
for j,k in ret.items():
- w.writerow(k.values())
+ w.writerow(list(k.values()))
fb.close()
@@ -163,24 +162,15 @@ with open('extrahuj.csv') as cf:
for j, ee in enumerate(ex):
print('\nProcesuju %s (%d/%d)' % (ee['targz'], j+1, len(ex)))
- with tarfile.open(ee['targz'], 'r:gz') as tf:
- ff = tf.extractfile(ee['soubor'])
- extrahuj(ff, ee['chcem'].split(', '), ee['cil'])
+ ff = open(ee['soubor'],'rb')
+ extrahuj(ff, ee['chcem'].split(', '), ee['cil'])
# Vazby
# =====
-print('Načítám vazby')
-
-with tarfile.open('./data/Rozhodnuti.n3.tar.gz', 'r:gz') as tf:
- ff = tf.extractfile('./cedr/Rozhodnuti.n3')
- cti_vazby(ff, 'rozpoctoveObdobi', 'csv/_rozpoctoveObdobi.csv')
-
-with tarfile.open('./data/PrijemcePomoci.n3.tar.gz', 'r:gz') as tf:
- ff = tf.extractfile('./cedr/PrijemcePomoci.n3')
- cti_vazby(ff, 'obdrzelDotaci', 'csv/_obdrzelDotaci.csv')
+print('\nNačítám vazby')
-with tarfile.open('./data/Dotace.n3.tar.gz', 'r:gz') as tf:
- ff = tf.extractfile('./cedr/Dotace.n3')
- cti_vazby(ff, 'byloRozhodnuto', 'csv/_byloRozhodnuto.csv')
+cti_vazby(open("./N3/Rozhodnuti.n3", "rb"), "rozpoctoveObdobi", "csv/_rozpoctoveObdobi.csv")
+cti_vazby(open("./N3/PrijemcePomoci.n3", "rb"), "obdrzelDotaci", "csv/_obdrzelDotaci.csv")
+cti_vazby(open("./N3/Dotace.n3", "rb"), "byloRozhodnuto", "csv/_byloRozhodnuto.csv")
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.