mirror of
https://github.com/catdevnull/transicion-desordenada-diablo
synced 2024-11-26 11:26:18 +00:00
Compare commits
No commits in common. "16a2b6252a42f4d83e66b403f2f60cfd97b629a0" and "afa54ee644abb0d6753b0c3531043d74fc198290" have entirely different histories.
16a2b6252a
...
afa54ee644
5 changed files with 101 additions and 175 deletions
2
.gitignore
vendored
2
.gitignore
vendored
|
@ -1,5 +1,3 @@
|
|||
node_modules/
|
||||
dataJsons/
|
||||
log
|
||||
prueba
|
||||
datos.gob.ar*
|
244
download_json.js
244
download_json.js
|
@ -1,17 +1,28 @@
|
|||
// @ts-check
|
||||
import { mkdir, open, writeFile } from "node:fs/promises";
|
||||
import { Agent, fetch, request, setGlobalDispatcher } from "undici";
|
||||
import { mkdir, open } from "node:fs/promises";
|
||||
import { Agent, fetch } from "undici";
|
||||
import { join, normalize } from "node:path";
|
||||
import { pipeline } from "node:stream/promises";
|
||||
|
||||
// lista de dominios que permitimos usar http: porque tienen HTTPS roto..
|
||||
const brokenHttps = [
|
||||
"datos.mindef.gov.ar", // cert para otro dominio
|
||||
"datos.energia.gob.ar", // cert para otro dominio
|
||||
"datos.minem.gob.ar", // vencido 2022-17-06
|
||||
"datos.agroindustria.gob.ar", // vencido 2022-03-10
|
||||
"andino.siu.edu.ar", // self signed, igual parece que todo tira 404 en este..
|
||||
"datos.salud.gob.ar", // timeout en HTTPS
|
||||
"datos.jus.gob.ar", // HTTPS redirige incorrectamente a URLs inexistentes
|
||||
"www.hidro.gob.ar", // no HTTPS
|
||||
];
|
||||
|
||||
// FYI: al menos los siguientes dominios no tienen la cadena completa de certificados en HTTPS. tenemos que usar un hack (node_extra_ca_certs_mozilla_bundle) para conectarnos a estos sitios. (se puede ver con ssllabs.com) ojalá lxs administradorxs de estos servidores lo arreglen.
|
||||
// www.enargas.gov.ar, transparencia.enargas.gov.ar, www.energia.gob.ar, www.economia.gob.ar, datos.yvera.gob.ar
|
||||
|
||||
setGlobalDispatcher(
|
||||
new Agent({
|
||||
pipelining: 0,
|
||||
})
|
||||
);
|
||||
const dispatcher = new Agent({
|
||||
pipelining: 10,
|
||||
maxRedirections: 20,
|
||||
});
|
||||
|
||||
class StatusCodeError extends Error {
|
||||
/**
|
||||
|
@ -22,142 +33,107 @@ class StatusCodeError extends Error {
|
|||
this.code = code;
|
||||
}
|
||||
}
|
||||
class TooManyRedirectsError extends Error {}
|
||||
|
||||
let jsonUrlString = process.argv[2];
|
||||
if (!jsonUrlString) {
|
||||
console.error("Especificamente el url al json porfa");
|
||||
const outputPath = process.argv[2];
|
||||
if (!outputPath) {
|
||||
console.error("Especificamente el output porfa");
|
||||
process.exit(1);
|
||||
}
|
||||
const jsonUrl = new URL(jsonUrlString);
|
||||
const outputPath = jsonUrl.host;
|
||||
await mkdir(outputPath, { recursive: true });
|
||||
const errorFile = await open(join(outputPath, "errors.jsonl"), "w");
|
||||
|
||||
const jsonRes = await fetch(jsonUrl);
|
||||
// prettier-ignore
|
||||
const parsed = /** @type {{ dataset: Dataset[] }} */(await jsonRes.json())
|
||||
await writeFile(join(outputPath, "data.json"), JSON.stringify(parsed));
|
||||
// Leer JSON de stdin
|
||||
const json = await process.stdin.toArray();
|
||||
const jsonString = json.join("");
|
||||
/** @type {{ dataset: Dataset[] }} */
|
||||
const parsed = JSON.parse(jsonString);
|
||||
|
||||
const jobs = parsed.dataset.flatMap((dataset) =>
|
||||
dataset.distribution.map((dist) => ({
|
||||
dataset,
|
||||
dist,
|
||||
url: patchUrl(new URL(dist.downloadURL)),
|
||||
}))
|
||||
dataset.distribution.map((dist) => ({ dataset, dist })),
|
||||
);
|
||||
// forma barrani de distribuir carga entre servidores
|
||||
shuffleArray(jobs);
|
||||
const totalJobs = jobs.length;
|
||||
let nFinished = 0;
|
||||
let nErrors = 0;
|
||||
|
||||
// por las dudas verificar que no hayan archivos duplicados
|
||||
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 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",
|
||||
);
|
||||
}
|
||||
|
||||
const greens = [...jobsPerHost.entries()].flatMap(([host, jobs]) => {
|
||||
const nThreads = 8;
|
||||
return Array(nThreads)
|
||||
.fill(0)
|
||||
.map(() =>
|
||||
(async () => {
|
||||
let job;
|
||||
while ((job = jobs.pop())) {
|
||||
const greens = Array(128)
|
||||
.fill(0)
|
||||
.map(() =>
|
||||
(async () => {
|
||||
let job;
|
||||
while ((job = jobs.pop())) {
|
||||
const { dataset, dist } = job;
|
||||
request: do {
|
||||
try {
|
||||
await downloadDistWithRetries(job);
|
||||
await downloadDist(dataset, dist);
|
||||
} catch (error) {
|
||||
await errorFile.write(
|
||||
JSON.stringify({
|
||||
url: job.url.toString(),
|
||||
...encodeError(error),
|
||||
}) + "\n"
|
||||
if (error instanceof StatusCodeError) {
|
||||
// algunos servidores usan 403 como coso para decir "calmate"
|
||||
if (error.code === 403) {
|
||||
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,
|
||||
);
|
||||
nErrors++;
|
||||
if (!(error instanceof StatusCodeError)) continue request;
|
||||
} finally {
|
||||
nFinished++;
|
||||
}
|
||||
}
|
||||
})()
|
||||
);
|
||||
});
|
||||
process.stderr.write(`greens: ${greens.length}\n`);
|
||||
} while (0);
|
||||
}
|
||||
})(),
|
||||
);
|
||||
|
||||
const interval = setInterval(() => {
|
||||
process.stderr.write(`info: ${nFinished}/${totalJobs} done\n`);
|
||||
}, 30000);
|
||||
console.info(`info: ${nFinished}/${totalJobs} done`);
|
||||
}, 15000);
|
||||
await Promise.all(greens);
|
||||
clearInterval(interval);
|
||||
if (nErrors > 0) console.error(`Finished with ${nErrors} errors`);
|
||||
|
||||
/**
|
||||
* @argument {DownloadJob} job
|
||||
* @argument {number} tries
|
||||
* @argument {Dataset} dataset
|
||||
* @argument {Distribution} 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) &&
|
||||
!(error instanceof TooManyRedirectsError) &&
|
||||
tries < 5
|
||||
) {
|
||||
await wait(5000);
|
||||
return await downloadDistWithRetries(job, tries + 1);
|
||||
} else throw error;
|
||||
}
|
||||
}
|
||||
async function downloadDist(dataset, dist) {
|
||||
const url = new URL(dist.downloadURL);
|
||||
|
||||
/**
|
||||
* @argument {DownloadJob} job
|
||||
*/
|
||||
async function downloadDist({ dist, dataset, url }) {
|
||||
// sharepoint no le gusta compartir a bots lol
|
||||
const spoofUserAgent = url.host.endsWith("sharepoint.com");
|
||||
// Siempre usar HTTPS excepto cuando está roto
|
||||
if (brokenHttps.includes(url.host)) {
|
||||
url.protocol = "http:";
|
||||
// console.debug(url);
|
||||
} else url.protocol = "https:";
|
||||
|
||||
const res = await request(url.toString(), {
|
||||
maxRedirections: 20,
|
||||
headers: {
|
||||
"User-Agent": spoofUserAgent
|
||||
? "Mozilla/5.0 (X11; Linux x86_64; rv:120.0) Gecko/20100101 Firefox/120.0"
|
||||
: "transicion-desordenada (https://nulo.ar)",
|
||||
},
|
||||
const res = await fetch(url.toString(), {
|
||||
dispatcher,
|
||||
});
|
||||
if (res.statusCode >= 300 && res.statusCode <= 399)
|
||||
throw new TooManyRedirectsError();
|
||||
if (res.statusCode < 200 || res.statusCode > 299) {
|
||||
throw new StatusCodeError(res.statusCode);
|
||||
if (res.status >= 400) {
|
||||
throw new StatusCodeError(res.status);
|
||||
}
|
||||
|
||||
const fileDirPath = join(
|
||||
outputPath,
|
||||
sanitizeSuffix(dataset.identifier),
|
||||
sanitizeSuffix(dist.identifier)
|
||||
sanitizeSuffix(dist.identifier),
|
||||
);
|
||||
await mkdir(fileDirPath, { recursive: true });
|
||||
const filePath = join(
|
||||
fileDirPath,
|
||||
sanitizeSuffix(dist.fileName || dist.identifier)
|
||||
sanitizeSuffix(dist.fileName || dist.identifier),
|
||||
);
|
||||
const outputFile = await open(filePath, "w");
|
||||
|
||||
|
@ -165,16 +141,11 @@ async function downloadDist({ dist, dataset, url }) {
|
|||
await pipeline(res.body, outputFile.createWriteStream());
|
||||
}
|
||||
|
||||
/** @typedef DownloadJob
|
||||
* @prop {Dataset} dataset
|
||||
* @prop {Distribution} dist
|
||||
* @prop {URL} url
|
||||
*/
|
||||
/** @typedef Dataset
|
||||
/** @typedef {object} Dataset
|
||||
* @prop {string} identifier
|
||||
* @prop {Distribution[]} distribution
|
||||
*/
|
||||
/** @typedef Distribution
|
||||
/** @typedef {object} Distribution
|
||||
* @prop {string} identifier
|
||||
* @prop {string} fileName
|
||||
* @prop {string} downloadURL
|
||||
|
@ -188,46 +159,31 @@ 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 */
|
||||
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 (error instanceof TooManyRedirectsError)
|
||||
return { kind: "infinite_redirect" };
|
||||
else {
|
||||
return { kind: "generic_error", error: error.code || error.message };
|
||||
// https://stackoverflow.com/a/12646864
|
||||
/**
|
||||
* @argument {any[]} array
|
||||
*/
|
||||
function shuffleArray(array) {
|
||||
for (var i = array.length - 1; i > 0; i--) {
|
||||
var j = Math.floor(Math.random() * (i + 1));
|
||||
var temp = array[i];
|
||||
array[i] = array[j];
|
||||
array[j] = temp;
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* parchea URLs que se rompen solas
|
||||
* @param {URL} url
|
||||
* @argument {number} ms
|
||||
*/
|
||||
function patchUrl(url) {
|
||||
if (url.host === "www.ign.gob.ar") {
|
||||
// por defecto, 'http://www.ign.gob.ar' redirige a 'https://ign.gob.ar' pero su certificado solo aplica para '*.ign.gob.ar'. se sirve todo el contenido correctamente en 'https://www.ign.gob.ar', así que vamos para ahí.
|
||||
url.protocol = "https:";
|
||||
}
|
||||
return url;
|
||||
function wait(ms) {
|
||||
if (ms < 0) return Promise.resolve();
|
||||
return new Promise((resolve) => setTimeout(resolve, ms));
|
||||
}
|
||||
|
|
|
@ -13,8 +13,5 @@
|
|||
"dependencies": {
|
||||
"node_extra_ca_certs_mozilla_bundle": "^1.0.5",
|
||||
"undici": "^5.28.0"
|
||||
},
|
||||
"devDependencies": {
|
||||
"@types/node": "^20.10.0"
|
||||
}
|
||||
}
|
||||
|
|
|
@ -12,11 +12,6 @@ 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:
|
||||
|
@ -24,12 +19,6 @@ 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
|
||||
|
@ -164,10 +153,6 @@ 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'}
|
||||
|
|
12
readme.md
12
readme.md
|
@ -9,15 +9,5 @@ pnpm install
|
|||
## correr
|
||||
|
||||
```
|
||||
pnpm run run download_json.js https://datos.gob.ar/data.json
|
||||
# guarda en ./datos.gob.ar
|
||||
pnpm run run download_json.js carpeta_output < dataJsons/datos.gob.ar.data.json
|
||||
```
|
||||
|
||||
## formato de repo guardado
|
||||
|
||||
- `{dominio de repo}`
|
||||
- `data.json`
|
||||
- `errors.jsonl`
|
||||
- `{identifier de dataset}`
|
||||
- `{identifier de distribution}`
|
||||
- `{fileName (o, si no existe, identifier de distribution)}`
|
||||
|
|
Loading…
Reference in a new issue