#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""Módulo 'readers' de Pydatajson
Contiene los métodos auxiliares para leer archivos con información tabular y
catálogos de metadatos, en distintos fomatos.
"""
from __future__ import unicode_literals
from __future__ import print_function
from __future__ import with_statement
import io
import os.path
from urlparse import urlparse
import warnings
import logging
import json
import requests
import unicodecsv as csv
import openpyxl as pyxl
from . import helpers
from .ckan_reader import read_ckan_catalog
import custom_exceptions as ce
logger = logging.getLogger()
[documentos]def read_catalog(catalog, default_values=None):
"""Toma una representación cualquiera de un catálogo, y devuelve su
representación interna (un diccionario de Python con su metadata.)
Si recibe una representación _interna_ (un diccionario), lo devuelve
intacto. Si recibe una representación _externa_ (path/URL a un archivo
JSON/XLSX), devuelve su represetación interna, es decir, un diccionario.
Args:
catalog (dict or str): Representación externa/interna de un catálogo.
Una representación _externa_ es un path local o una URL remota a un
archivo con la metadata de un catálogo, en formato JSON o XLSX. La
representación _interna_ de un catálogo es un diccionario.
Returns:
dict: Representación interna de un catálogo para uso en las funciones
de esta librería.
"""
unknown_catalog_repr_msg = """
No se pudo inferir una representación válida de un catálogo del parámetro
provisto: {}.""".format(catalog)
assert isinstance(catalog, (dict, str, unicode)), unknown_catalog_repr_msg
if isinstance(catalog, dict):
catalog_dict = catalog
else:
# catalog es una URL remota o un path local
suffix = catalog.split(".")[-1].strip("/")
unknown_suffix_msg = """
{} no es un sufijo conocido. Pruebe con 'json' o 'xlsx'""".format(suffix)
assert suffix in ["json", "xlsx"], unknown_suffix_msg
if suffix == "json":
catalog_dict = read_json(catalog)
else:
# El archivo está en formato XLSX
catalog_dict = read_xlsx_catalog(catalog)
# si se pasaron valores default, los aplica al catálogo leído
if default_values:
apply_default_values(catalog_dict, default_values)
return catalog_dict
[documentos]def apply_default_values(catalog, default_values):
"""Aplica valores default a los campos de un catálogo.
Si el campo está vacío, aplica el default. Si tiene un valor, deja el valor
que estaba. Sólo soporta defaults para las siguientes clases:
catalog
dataset
distribution
field
Args:
catalog (dict): Un catálogo.
default_values (dict): Valores default para algunos de los campos del
catálogo.
{
"dataset_issued": "2017-06-22",
"distribution_issued": "2017-06-22"
}
"""
for field, default_value in default_values.iteritems():
class_metadata = field.split("_")[0]
field_json_path = field.split("_")[1:]
# valores default de catálogo
if class_metadata == "catalog":
_set_default_value(catalog, field_json_path, default_value)
# valores default de dataset
elif class_metadata == "dataset":
for dataset in catalog["dataset"]:
_set_default_value(dataset, field_json_path, default_value)
# valores default de distribución
elif class_metadata == "distribution":
for dataset in catalog["dataset"]:
for distribution in dataset["distribution"]:
_set_default_value(
distribution, field_json_path, default_value)
# valores default de field
elif class_metadata == "field":
for dataset in catalog["dataset"]:
for distribution in dataset["distribution"]:
# campo "field" en una "distribution" no es obligatorio
if distribution.get("field"):
for field in distribution["field"]:
_set_default_value(
field, field_json_path, default_value)
def _set_default_value(dict_obj, keys, value):
"""Setea valor en diccionario anidado, siguiendo lista de keys.
Args:
dict_obj (dict): Un diccionario anidado.
keys (list): Una lista de keys para navegar el diccionario.
value (any): Un valor para reemplazar.
"""
variable = dict_obj
if len(keys) == 1:
if not variable.get(keys[0]):
variable[keys[0]] = value
else:
for idx, field in enumerate(keys):
if idx < len(keys) - 1:
variable = variable[field]
if not variable.get(keys[-1]):
variable[keys[-1]] = value
[documentos]def read_json(json_path_or_url):
"""Toma el path a un JSON y devuelve el diccionario que representa.
Se asume que el parámetro es una URL si comienza con 'http' o 'https', o
un path local de lo contrario.
Args:
json_path_or_url (str): Path local o URL remota a un archivo de texto
plano en formato JSON.
Returns:
dict: El diccionario que resulta de deserializar json_path_or_url.
"""
assert isinstance(json_path_or_url, (str, unicode))
parsed_url = urlparse(json_path_or_url)
if parsed_url.scheme in ["http", "https"]:
res = requests.get(json_path_or_url, verify=False)
json_dict = json.loads(res.content, encoding='utf-8')
else:
# Si json_path_or_url parece ser una URL remota, lo advierto.
path_start = parsed_url.path.split(".")[0]
if path_start == "www" or path_start.isdigit():
warnings.warn("""
La dirección del archivo JSON ingresada parece una URL, pero no comienza
con 'http' o 'https' así que será tratada como una dirección local. ¿Tal vez
quiso decir 'http://{}'?""".format(json_path_or_url).encode("utf-8"))
with io.open(json_path_or_url, encoding='utf-8') as json_file:
json_dict = json.load(json_file)
return json_dict
[documentos]def read_xlsx_catalog(xlsx_path_or_url):
"""Toma el path a un catálogo en formato XLSX y devuelve el diccionario
que representa.
Se asume que el parámetro es una URL si comienza con 'http' o 'https', o
un path local de lo contrario.
Args:
xlsx_path_or_url (str): Path local o URL remota a un libro XLSX de
formato específico para guardar los metadatos de un catálogo.
Returns:
dict: El diccionario que resulta de procesar xlsx_path_or_url.
"""
assert isinstance(xlsx_path_or_url, (str, unicode))
parsed_url = urlparse(xlsx_path_or_url)
if parsed_url.scheme in ["http", "https"]:
res = requests.get(xlsx_path_or_url, verify=False)
tmpfilename = ".tmpfile.xlsx"
with io.open(tmpfilename, 'wb') as tmpfile:
tmpfile.write(res.content)
catalog_dict = read_local_xlsx_catalog(tmpfilename)
os.remove(tmpfilename)
else:
# Si xlsx_path_or_url parece ser una URL remota, lo advierto.
path_start = parsed_url.path.split(".")[0]
if path_start == "www" or path_start.isdigit():
warnings.warn("""
La dirección del archivo JSON ingresada parece una URL, pero no comienza
con 'http' o 'https' así que será tratada como una dirección local. ¿Tal vez
quiso decir 'http://{}'?
""".format(xlsx_path_or_url).encode("utf8"))
catalog_dict = read_local_xlsx_catalog(xlsx_path_or_url)
return catalog_dict
def _make_publisher(catalog_or_dataset):
"""De estar presentes las claves necesarias, genera el diccionario
"publisher" a nivel catálogo o dataset."""
level = catalog_or_dataset
keys = [k for k in ["publisher_name", "publisher_mbox"] if k in level]
if keys:
level["publisher"] = {
key.replace("publisher_", ""): level.pop(key) for key in keys
}
return level
def _make_contact_point(dataset):
"""De estar presentes las claves necesarias, genera el diccionario
"contactPoint" de un dataset."""
keys = [k for k in ["contactPoint_fn", "contactPoint_hasEmail"]
if k in dataset]
if keys:
dataset["contactPoint"] = {
key.replace("contactPoint_", ""): dataset.pop(key) for key in keys
}
return dataset
def _get_dataset_index(catalog, dataset_identifier, dataset_title):
"""Devuelve el índice de un dataset en el catálogo en función de su
identificador"""
matching_datasets = []
for idx, dataset in enumerate(catalog["catalog_dataset"]):
if dataset["dataset_identifier"] == dataset_identifier:
if dataset["dataset_title"] == dataset_title:
matching_datasets.append(idx)
else:
logger.warning(
ce.DatasetUnexpectedTitle(
dataset_identifier,
dataset["dataset_title"],
dataset_title
)
)
# Debe haber exactamente un dataset con el identificador provisto.
no_dsets_msg = "No hay ningun dataset con el identifier {}".format(
dataset_identifier)
many_dsets_msg = "Hay mas de un dataset con el identifier {}: {}".format(
dataset_identifier, matching_datasets)
if len(matching_datasets) == 0:
print(no_dsets_msg)
return None
elif len(matching_datasets) > 1:
print(many_dsets_msg)
return None
else:
return matching_datasets[0]
def _get_distribution_indexes(catalog, dataset_identifier, dataset_title,
distribution_identifier, distribution_title):
"""Devuelve el índice de una distribución en su dataset en función de su
título, junto con el índice de su dataset padre en el catálogo, en
función de su identificador"""
dataset_index = _get_dataset_index(
catalog, dataset_identifier, dataset_title)
if dataset_index is None:
return None, None
else:
dataset = catalog["catalog_dataset"][dataset_index]
matching_distributions = []
for idx, distribution in enumerate(dataset["dataset_distribution"]):
if distribution["distribution_identifier"] == distribution_identifier:
if distribution["distribution_title"] == distribution_title:
matching_distributions.append(idx)
else:
logger.warning(
ce.DistributionUnexpectedTitle(
distribution_identifier,
distribution["distribution_title"],
distribution_title
)
)
# Debe haber exactamente una distribución con los identicadores provistos
if len(matching_distributions) == 0:
logger.warning(
ce.DistributionTitleNonExistentError(
distribution_title, dataset_identifier
)
)
return dataset_index, None
elif len(matching_distributions) > 1:
logger.warning(
ce.DistributionTitleRepetitionError(
distribution_title, dataset_identifier, matching_distributions)
)
return dataset_index, None
else:
distribution_index = matching_distributions[0]
return dataset_index, distribution_index
[documentos]def read_local_xlsx_catalog(xlsx_path):
"""Genera un diccionario de metadatos de catálogo a partir de un XLSX bien
formado.
Args:
xlsx_path (str): Path a un archivo XLSX "template" para describir la
metadata de un catálogo.
Returns:
dict: Diccionario con los metadatos de un catálogo.
"""
assert xlsx_path.endswith(".xlsx"), """
El archivo a leer debe tener extensión XLSX."""
wb = pyxl.load_workbook(xlsx_path, data_only=True, read_only=True)
# Toma las hojas del modelo, resistente a mayúsuculas/minúsculas
ws_catalog = helpers.get_ws_case_insensitive(wb, "catalog")
ws_dataset = helpers.get_ws_case_insensitive(wb, "dataset")
ws_distribution = helpers.get_ws_case_insensitive(wb, "distribution")
ws_theme = helpers.get_ws_case_insensitive(wb, "theme")
ws_field = helpers.get_ws_case_insensitive(wb, "field")
catalogs = helpers.sheet_to_table(ws_catalog)
# Debe haber exactamente un catálogo en la hoja 'Catalog'
assert (len(catalogs) != 0), "No hay ningun catálogo en la hoja 'Catalog'"
assert (len(catalogs) < 2), "Hay mas de un catálogo en la hoja 'Catalog'"
# Genero el catálogo base
catalog = catalogs[0]
# Agrego themes y datasets al catálogo
catalog["catalog_dataset"] = helpers.sheet_to_table(ws_dataset)
# Me aseguro que los identificadores de dataset se guarden como cadenas
for dataset in catalog["catalog_dataset"]:
dataset["dataset_identifier"] = unicode(dataset["dataset_identifier"])
catalog["catalog_themeTaxonomy"] = (
helpers.sheet_to_table(ws_theme))
# Agrego lista de distribuciones vacía a cada dataset
for dataset in catalog["catalog_dataset"]:
dataset["dataset_distribution"] = []
# Ubico cada distribución en su dataset
distributions = helpers.sheet_to_table(ws_distribution)
for distribution in distributions:
# Me aseguro que los identificadores se guarden como cadenas
distribution["dataset_identifier"] = unicode(
distribution["dataset_identifier"])
distribution["distribution_identifier"] = unicode(
distribution["distribution_identifier"])
dataset_index = _get_dataset_index(
catalog, distribution["dataset_identifier"],
distribution["dataset_title"])
if dataset_index is None:
print("""La distribucion con ID '{}' y titulo '{}' no se
pudo asignar a un dataset, y no figurara en el data.json de salida.""".format(
distribution["distribution_identifier"],
distribution["distribution_title"]))
else:
dataset = catalog["catalog_dataset"][dataset_index]
dataset["dataset_distribution"].append(distribution)
# Ubico cada campo en su distribución
fields = helpers.sheet_to_table(ws_field)
for idx, field in enumerate(fields):
# Me aseguro que los identificadores se guarden como cadenas
field["dataset_identifier"] = unicode(field["dataset_identifier"])
field["distribution_identifier"] = unicode(
field["distribution_identifier"])
dataset_index, distribution_index = _get_distribution_indexes(
catalog, field["dataset_identifier"], field["dataset_title"],
field["distribution_identifier"], field["distribution_title"])
if dataset_index is None:
print("""No se encontro el dataset '{}' especificado para el campo
'{}' (fila #{} de la hoja "Field"). Este campo no figurara en el data.json de salida.""".format(
field["dataset_title"], field["field_title"], idx + 2))
elif distribution_index is None:
print("""No se encontro la distribucion '{}' especificada para el campo
'{}' (fila #{} de la hoja "Field"). Este campo no figurara en el data.json de salida.""".format(
field["distribution_title"], field["field_title"], idx + 2))
else:
dataset = catalog["catalog_dataset"][dataset_index]
distribution = dataset["dataset_distribution"][distribution_index]
if "distribution_field" in distribution:
distribution["distribution_field"].append(field)
else:
distribution["distribution_field"] = [field]
# Transformo campos de texto separado por comas en listas
if "catalog_language" in catalog:
catalog["catalog_language"] = helpers.string_to_list(
catalog["catalog_language"])
for dataset in catalog["catalog_dataset"]:
array_fields = ["dataset_superTheme", "dataset_theme", "dataset_tags",
"dataset_keyword", "dataset_language"]
for field in array_fields:
if field in dataset:
dataset[field] = helpers.string_to_list(dataset[field])
# Elimino los prefijos de los campos a nivel catálogo
for old_key in catalog.keys():
if old_key.startswith("catalog_"):
new_key = old_key.replace("catalog_", "")
catalog[new_key] = catalog.pop(old_key)
else:
catalog.pop(old_key)
# Elimino los prefijos de los campos a nivel tema
for theme in catalog["themeTaxonomy"]:
for old_key in theme.keys():
if old_key.startswith("theme_"):
new_key = old_key.replace("theme_", "")
theme[new_key] = theme.pop(old_key)
else:
theme.pop(old_key)
# Elimino los prefijos de los campos a nivel dataset
for dataset in catalog["dataset"]:
for old_key in dataset.keys():
if old_key.startswith("dataset_"):
new_key = old_key.replace("dataset_", "")
dataset[new_key] = dataset.pop(old_key)
else:
dataset.pop(old_key)
# Elimino los campos auxiliares y los prefijos de los campos a nivel
# distribución
for dataset in catalog["dataset"]:
for distribution in dataset["distribution"]:
for old_key in distribution.keys():
if old_key.startswith("distribution_"):
new_key = old_key.replace("distribution_", "")
distribution[new_key] = distribution.pop(old_key)
else:
distribution.pop(old_key)
# Elimino campos auxiliares y los prefijos de los campos a nivel "campo"
for dataset in catalog["dataset"]:
for distribution in dataset["distribution"]:
if "field" in distribution:
for field in distribution["field"]:
for old_key in field.keys():
if old_key.startswith("field_"):
new_key = old_key.replace("field_", "")
field[new_key] = field.pop(old_key)
else:
field.pop(old_key)
# Agrupo las claves de "publisher" y "contactPoint" en sendos diccionarios
catalog = _make_publisher(catalog)
for dataset in catalog["dataset"]:
dataset = _make_publisher(dataset)
dataset = _make_contact_point(dataset)
return catalog
[documentos]def read_table(path):
"""Lee un archivo tabular (CSV o XLSX) a una lista de diccionarios.
La extensión del archivo debe ser ".csv" o ".xlsx". En función de
ella se decidirá el método a usar para leerlo.
Si recibe una lista, comprueba que todos sus diccionarios tengan las
mismas claves y de ser así, la devuelve intacta. Levanta una Excepción
en caso contrario.
Args:
path(str o list): Como 'str', path a un archivo CSV o XLSX.
Returns:
list: Lista de diccionarios con claves idénticas representando el
archivo original.
"""
assert isinstance(path, (str, unicode, list)), """
{} no es un `path` valido""".format(path)
# Si `path` es una lista, devolverla intacta si tiene formato tabular.
# Si no, levantar una excepción.
if isinstance(path, list):
if helpers.is_list_of_matching_dicts(path):
return path
else:
raise ValueError("""
La lista ingresada no esta formada por diccionarios con las mismas claves.""")
# Deduzco el formato de archivo de `path` y redirijo según corresponda.
suffix = path.split(".")[-1]
if suffix == "csv":
return _read_csv_table(path)
elif suffix == "xlsx":
return _read_xlsx_table(path)
else:
raise ValueError("""
{} no es un sufijo reconocido. Pruebe con .csv o .xlsx""".format(suffix))
def _read_csv_table(path):
"""Lee un CSV a una lista de diccionarios."""
with open(path) as csvfile:
reader = csv.DictReader(csvfile)
table = list(reader)
return table
def _read_xlsx_table(path):
"""Lee la hoja activa de un archivo XLSX a una lista de diccionarios."""
workbook = pyxl.load_workbook(path)
worksheet = workbook.active
table = helpers.sheet_to_table(worksheet)
return table