anti-plagiarism/scripts/run_parser.py

#!/usr/bin/env python3
"""CLI для запуска парсеров источников.

Использование:
    python run_parser.py openalex --limit 10000 --query "машинное обучение"
    python run_parser.py cyberleninka --limit 1000 --query "нейронные сети"
    python run_parser.py arxiv --limit 5000 --categories cs.AI cs.LG
    python run_parser.py all --limit 1000
"""

import argparse
import logging
import sys
from pathlib import Path

# Добавить директорию парсеров в путь
sys.path.insert(0, str(Path(__file__).parent / "parsers"))

logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s [%(levelname)s] %(name)s: %(message)s",
    datefmt="%Y-%m-%d %H:%M:%S",
)

logger = logging.getLogger(__name__)


def run_openalex(args: argparse.Namespace, output_dir: Path) -> None:
    from openalex import OpenAlexParser

    parser = OpenAlexParser()
    parser.run(
        output_dir=output_dir,
        query=args.query,
        limit=args.limit,
        lang=args.lang,
        year_from=args.year_from,
        year_to=args.year_to,
    )


def run_cyberleninka(args: argparse.Namespace, output_dir: Path) -> None:
    from cyberleninka import CyberLeninkaParser

    parser = CyberLeninkaParser()
    parser.run(
        output_dir=output_dir,
        query=args.query,
        limit=args.limit,
    )


def run_arxiv(args: argparse.Namespace, output_dir: Path) -> None:
    from arxiv import ArxivParser

    parser = ArxivParser()
    parser.run(
        output_dir=output_dir,
        query=args.query,
        limit=args.limit,
        categories=args.categories,
        year_from=args.year_from,
    )


def run_pmc(args: argparse.Namespace, output_dir: Path) -> None:
    from pmc import PMCParser

    parser = PMCParser()
    parser.run(
        output_dir=output_dir,
        query=args.query,
        limit=args.limit,
        year_from=args.year_from,
        year_to=args.year_to,
    )


def run_all(args: argparse.Namespace, output_dir: Path) -> None:
    """Запустить все парсеры последовательно."""
    logger.info("Запуск всех парсеров...")
    run_openalex(args, output_dir)
    run_cyberleninka(args, output_dir)
    run_arxiv(args, output_dir)
    run_pmc(args, output_dir)


PARSERS = {
    "openalex": run_openalex,
    "cyberleninka": run_cyberleninka,
    "arxiv": run_arxiv,
    "pmc": run_pmc,
    "all": run_all,
}


def main() -> None:
    parser = argparse.ArgumentParser(
        description="Запуск парсеров академических источников",
        formatter_class=argparse.RawDescriptionHelpFormatter,
        epilog=__doc__,
    )

    parser.add_argument(
        "source",
        choices=list(PARSERS.keys()),
        help="Источник для парсинга",
    )
    parser.add_argument(
        "--query", "-q",
        default="",
        help="Поисковый запрос",
    )
    parser.add_argument(
        "--limit", "-n",
        type=int,
        default=1000,
        help="Максимальное количество документов (default: 1000)",
    )
    parser.add_argument(
        "--output", "-o",
        default="/data/processed",
        help="Директория для сохранения JSONL (default: /data/processed)",
    )
    parser.add_argument(
        "--lang",
        choices=["ru", "en"],
        default=None,
        help="Язык документов",
    )
    parser.add_argument(
        "--year-from",
        type=int,
        default=None,
        dest="year_from",
        help="Год публикации от",
    )
    parser.add_argument(
        "--year-to",
        type=int,
        default=None,
        dest="year_to",
        help="Год публикации до",
    )
    parser.add_argument(
        "--categories",
        nargs="*",
        default=None,
        help="arXiv категории (например: cs.AI cs.LG math.ST)",
    )

    args = parser.parse_args()
    output_dir = Path(args.output)
    output_dir.mkdir(parents=True, exist_ok=True)

    logger.info(f"Парсер: {args.source}, лимит: {args.limit}, запрос: {args.query!r}")
    logger.info(f"Выходная директория: {output_dir}")

    run_fn = PARSERS[args.source]
    run_fn(args, output_dir)

    logger.info("Парсинг завершён.")


if __name__ == "__main__":
    main()