mirror of
https://github.com/catdevnull/transicion-desordenada-diablo
synced 2024-11-15 02:21:39 +00:00
cambios varios
This commit is contained in:
parent
e1e851f797
commit
94b909abfa
3 changed files with 117 additions and 53 deletions
152
download_json.js
152
download_json.js
|
@ -8,7 +8,7 @@ import { pipeline } from "node:stream/promises";
|
|||
// www.enargas.gov.ar, transparencia.enargas.gov.ar, www.energia.gob.ar, www.economia.gob.ar, datos.yvera.gob.ar
|
||||
|
||||
const dispatcher = new Agent({
|
||||
pipelining: 10,
|
||||
pipelining: 50,
|
||||
maxRedirections: 20,
|
||||
});
|
||||
|
||||
|
@ -28,6 +28,7 @@ if (!outputPath) {
|
|||
process.exit(1);
|
||||
}
|
||||
await mkdir(outputPath, { recursive: true });
|
||||
const errorFile = await open(join(outputPath, "errors.jsonl"), "w");
|
||||
|
||||
// Leer JSON de stdin
|
||||
const json = await process.stdin.toArray();
|
||||
|
@ -44,72 +45,93 @@ const jobs = parsed.dataset.flatMap((dataset) =>
|
|||
);
|
||||
const totalJobs = jobs.length;
|
||||
let nFinished = 0;
|
||||
let nErrors = 0;
|
||||
|
||||
// por las dudas verificar que no hayan archivos duplicados
|
||||
const duplicated = hasDuplicates(
|
||||
jobs.map((j) => `${j.dataset.identifier}/${j.dist.identifier}`)
|
||||
);
|
||||
if (duplicated) {
|
||||
console.error(
|
||||
"ADVERTENCIA: ¡encontré duplicados! es posible que se pisen archivos entre si"
|
||||
);
|
||||
chequearIdsDuplicados();
|
||||
|
||||
/** @type {Map< string, DownloadJob[] >} */
|
||||
let jobsPerHost = new Map();
|
||||
for (const job of jobs) {
|
||||
jobsPerHost.set(job.url.host, [
|
||||
...(jobsPerHost.get(job.url.host) || []),
|
||||
job,
|
||||
]);
|
||||
}
|
||||
|
||||
const greens = Array(128)
|
||||
.fill(0)
|
||||
.map(() =>
|
||||
(async () => {
|
||||
let job;
|
||||
while ((job = jobs.pop())) {
|
||||
const { dataset, dist } = job;
|
||||
request: do {
|
||||
const greens = [...jobsPerHost.entries()].flatMap(([host, jobs]) => {
|
||||
const nThreads = 128;
|
||||
return Array(nThreads)
|
||||
.fill(0)
|
||||
.map(() =>
|
||||
(async () => {
|
||||
let job;
|
||||
while ((job = jobs.pop())) {
|
||||
try {
|
||||
await downloadDist(dataset, dist);
|
||||
await downloadDistWithRetries(job);
|
||||
} catch (error) {
|
||||
if (error instanceof StatusCodeError) {
|
||||
// algunos servidores usan 403 como coso para decir "calmate"
|
||||
if (
|
||||
error.code === 403 &&
|
||||
dist.downloadURL.includes("minsegar-my.sharepoint.com")
|
||||
) {
|
||||
console.debug(
|
||||
`debug: reintentando ${dist.downloadURL} porque tiró 403`
|
||||
);
|
||||
await wait(15000);
|
||||
continue request;
|
||||
}
|
||||
error = error.toString();
|
||||
}
|
||||
console.error(
|
||||
`error: Failed to download URL ${dist.downloadURL} (${dataset.identifier}/${dist.identifier}):`,
|
||||
error
|
||||
await errorFile.write(
|
||||
JSON.stringify({ url: job.url.toString(), ...encodeError(error) })
|
||||
);
|
||||
if (!(error instanceof StatusCodeError)) continue request;
|
||||
nErrors++;
|
||||
} finally {
|
||||
nFinished++;
|
||||
}
|
||||
} while (0);
|
||||
}
|
||||
})()
|
||||
);
|
||||
}
|
||||
})()
|
||||
);
|
||||
});
|
||||
process.stderr.write(`greens: ${greens.length}\n`);
|
||||
|
||||
const interval = setInterval(() => {
|
||||
console.info(`info: ${nFinished}/${totalJobs} done`);
|
||||
}, 15000);
|
||||
process.stderr.write(`info: ${nFinished}/${totalJobs} done\n`);
|
||||
}, 30000);
|
||||
await Promise.all(greens);
|
||||
clearInterval(interval);
|
||||
if (nErrors > 0) console.error(`Finished with ${nErrors} errors`);
|
||||
|
||||
/**
|
||||
* @argument {Dataset} dataset
|
||||
* @argument {Distribution} dist
|
||||
* @argument {DownloadJob} job
|
||||
* @argument {number} tries
|
||||
*/
|
||||
async function downloadDist(dataset, dist) {
|
||||
async function downloadDistWithRetries(job, tries = 0) {
|
||||
const { url } = job;
|
||||
try {
|
||||
await downloadDist(job);
|
||||
} catch (error) {
|
||||
// algunos servidores usan 403 como coso para decir "calmate"
|
||||
// intentar hasta 15 veces con 15 segundos de por medio
|
||||
if (
|
||||
error instanceof StatusCodeError &&
|
||||
error.code === 403 &&
|
||||
url.host === "minsegar-my.sharepoint.com" &&
|
||||
tries < 15
|
||||
) {
|
||||
await wait(15000);
|
||||
return await downloadDistWithRetries(job, tries + 1);
|
||||
}
|
||||
// si no fue un error de http, reintentar hasta 5 veces con 5 segundos de por medio
|
||||
else if (
|
||||
!(error instanceof StatusCodeError) &&
|
||||
!errorIsInfiniteRedirect(error) &&
|
||||
tries < 5
|
||||
) {
|
||||
await wait(5000);
|
||||
return await downloadDistWithRetries(job, tries + 1);
|
||||
} else throw error;
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* @argument {DownloadJob} job
|
||||
*/
|
||||
async function downloadDist({ dist, dataset }) {
|
||||
const url = new URL(dist.downloadURL);
|
||||
|
||||
const res = await fetch(url.toString(), {
|
||||
dispatcher,
|
||||
});
|
||||
if (res.status >= 400) {
|
||||
if (!res.ok) {
|
||||
throw new StatusCodeError(res.status);
|
||||
}
|
||||
|
||||
|
@ -129,11 +151,16 @@ async function downloadDist(dataset, dist) {
|
|||
await pipeline(res.body, outputFile.createWriteStream());
|
||||
}
|
||||
|
||||
/** @typedef {object} Dataset
|
||||
/** @typedef DownloadJob
|
||||
* @prop {Dataset} dataset
|
||||
* @prop {Distribution} dist
|
||||
* @prop {URL} url
|
||||
*/
|
||||
/** @typedef Dataset
|
||||
* @prop {string} identifier
|
||||
* @prop {Distribution[]} distribution
|
||||
*/
|
||||
/** @typedef {object} Distribution
|
||||
/** @typedef Distribution
|
||||
* @prop {string} identifier
|
||||
* @prop {string} fileName
|
||||
* @prop {string} downloadURL
|
||||
|
@ -147,18 +174,37 @@ function sanitizeSuffix(path) {
|
|||
return normalize(path).replace(/^(\.\.(\/|\\|$))+/, "");
|
||||
}
|
||||
|
||||
function chequearIdsDuplicados() {
|
||||
const duplicated = hasDuplicates(
|
||||
jobs.map((j) => `${j.dataset.identifier}/${j.dist.identifier}`)
|
||||
);
|
||||
if (duplicated) {
|
||||
console.error(
|
||||
"ADVERTENCIA: ¡encontré duplicados! es posible que se pisen archivos entre si"
|
||||
);
|
||||
}
|
||||
}
|
||||
// https://stackoverflow.com/a/7376645
|
||||
/**
|
||||
* @argument {any[]} array
|
||||
*/
|
||||
/** @argument {any[]} array */
|
||||
function hasDuplicates(array) {
|
||||
return new Set(array).size !== array.length;
|
||||
}
|
||||
|
||||
/**
|
||||
* @argument {number} ms
|
||||
*/
|
||||
/** @argument {number} ms */
|
||||
function wait(ms) {
|
||||
if (ms < 0) return Promise.resolve();
|
||||
return new Promise((resolve) => setTimeout(resolve, ms));
|
||||
}
|
||||
|
||||
function encodeError(error) {
|
||||
if (error instanceof StatusCodeError)
|
||||
return { kind: "http_error", status_code: error.code };
|
||||
else if (errorIsInfiniteRedirect(error)) return { kind: "infinite_redirect" };
|
||||
else {
|
||||
console.error(error, error.cause.message);
|
||||
return { kind: "generic_error", error };
|
||||
}
|
||||
}
|
||||
function errorIsInfiniteRedirect(error) {
|
||||
return error?.cause?.message === "redirect count exceeded";
|
||||
}
|
||||
|
|
|
@ -13,5 +13,8 @@
|
|||
"dependencies": {
|
||||
"node_extra_ca_certs_mozilla_bundle": "^1.0.5",
|
||||
"undici": "^5.28.0"
|
||||
},
|
||||
"devDependencies": {
|
||||
"@types/node": "^20.10.0"
|
||||
}
|
||||
}
|
||||
|
|
|
@ -12,6 +12,11 @@ dependencies:
|
|||
specifier: ^5.28.0
|
||||
version: 5.28.0
|
||||
|
||||
devDependencies:
|
||||
'@types/node':
|
||||
specifier: ^20.10.0
|
||||
version: 20.10.0
|
||||
|
||||
packages:
|
||||
|
||||
/@fastify/busboy@2.1.0:
|
||||
|
@ -19,6 +24,12 @@ packages:
|
|||
engines: {node: '>=14'}
|
||||
dev: false
|
||||
|
||||
/@types/node@20.10.0:
|
||||
resolution: {integrity: sha512-D0WfRmU9TQ8I9PFx9Yc+EBHw+vSpIub4IDvQivcp26PtPrdMGAq5SDcpXEo/epqa/DXotVpekHiLNTg3iaKXBQ==}
|
||||
dependencies:
|
||||
undici-types: 5.26.5
|
||||
dev: true
|
||||
|
||||
/asynckit@0.4.0:
|
||||
resolution: {integrity: sha512-Oei9OH4tRh0YqU3GxhX79dM/mwVgvbZJaSNaRk+bshkj0S5cfHcgYakreBjrHwatXKbz+IoIdYLxrKim2MjW0Q==}
|
||||
dev: false
|
||||
|
@ -153,6 +164,10 @@ packages:
|
|||
is-utf8: 0.2.1
|
||||
dev: false
|
||||
|
||||
/undici-types@5.26.5:
|
||||
resolution: {integrity: sha512-JlCMO+ehdEIKqlFxk6IfVoAUVmgz7cU7zD/h9XZ0qzeosSHmUJVOzSQvvYSYWXkFXC+IfLKSIffhv0sVZup6pA==}
|
||||
dev: true
|
||||
|
||||
/undici@5.28.0:
|
||||
resolution: {integrity: sha512-gM12DkXhlAc5+/TPe60iy9P6ETgVfqTuRJ6aQ4w8RYu0MqKuXhaq3/b86GfzDQnNA3NUO6aUNdvevrKH59D0Nw==}
|
||||
engines: {node: '>=14.0'}
|
||||
|
|
Loading…
Reference in a new issue