#!/usr/bin/env python3 """ Script para descargar boletines oficiales de Jujuy. El sitio usa un calendario mensual. Se scrapea la página para obtener los links PDF de cada día. URL base: https://boletinoficial.jujuy.gob.ar/?page_id=2017 Uso: python descargar_jujuy.py # Descarga el boletín del día actual python descargar_jujuy.py --anio 2024 # Descarga todo el año 2024 python descargar_jujuy.py --anio 2024 --mes 5 # Descarga todo mayo de 2024 python descargar_jujuy.py --anio 2024 --mes 5 --dia 15 # Descarga el 15 de mayo de 2024 """ import os import requests import datetime import argparse import calendar from bs4 import BeautifulSoup from base import ya_existe_en_provincia BASE_URL = "https://boletinoficial.jujuy.gob.ar" PAGE_ID = "2017" MESES_EN = [ "jan", "feb", "mar", "apr", "may", "jun", "jul", "aug", "sep", "oct", "nov", "dec", ] def obtener_links_mes(anio, mes, session): """ Scrapea el calendario del mes y devuelve un dict {fecha: url_pdf}. El sitio usa ?month=jan&yr=2026 para navegar entre meses. Cada celda del calendario tiene clase 'spiffy-day-N' donde N es el día, y 'day-with-date' para los días que pertenecen al mes actual. """ import re mes_nombre = MESES_EN[mes - 1] url = f"{BASE_URL}/?page_id={PAGE_ID}&month={mes_nombre}&yr={anio}" try: response = session.get(url, timeout=20) response.raise_for_status() except requests.RequestException as e: print(f" ❌ Error al acceder al calendario {anio}/{mes:02d}: {e}") return {} soup = BeautifulSoup(response.text, "html.parser") links_por_fecha = {} # Solo procesar celdas del mes actual (tienen 'day-with-date') for td in soup.find_all("td", class_=lambda c: c and "day-with-date" in c): classes = td.get("class", []) # Extraer número de día de la clase 'spiffy-day-N' dia = None for cls in classes: m = re.match(r"spiffy-day-(\d+)$", cls) if m: dia = int(m.group(1)) break if dia is None: continue # Buscar el primer link PDF en la celda (evitar duplicados) for a in td.find_all("a", href=True): href = a["href"] if ".pdf" not in href.lower(): continue if "Boletines" not in href and "boletines" not in href: continue try: fecha = datetime.date(anio, mes, dia) except ValueError: break url_pdf = href if href.startswith("http") else BASE_URL + href if fecha not in links_por_fecha: links_por_fecha[fecha] = url_pdf break # Solo el primer PDF por celda return links_por_fecha def descargar_pdf(url, fecha, directorio_destino, session): """Descarga un PDF desde una URL y lo guarda con nombre estándar.""" archivo_path = os.path.join(directorio_destino, f"boletin_{fecha.strftime('%Y-%m-%d')}.pdf") try: response = session.get(url, timeout=60) response.raise_for_status() # Verificar que sea un PDF real content_type = response.headers.get("Content-Type", "") if "pdf" not in content_type.lower() and not response.content[:4] == b"%PDF": print(f" ⚠️ El contenido no parece un PDF (Content-Type: {content_type})") return False with open(archivo_path, "wb") as f: f.write(response.content) print(f" ✅ Descargado: {archivo_path}") return True except requests.RequestException as e: print(f" ❌ Error al descargar el PDF: {e}") return False except Exception as e: print(f" ❌ Error al guardar el archivo: {e}") return False def calcular_meses(anio=None, mes=None, dia=None): """ Devuelve lista de (anio, mes) a procesar y opcionalmente el día específico. No incluye meses futuros (más allá del mes actual). """ hoy = datetime.date.today() if anio is None: return [(hoy.year, hoy.month)], hoy.day if mes is None: meses = [ (anio, m) for m in range(1, 13) if datetime.date(anio, m, 1) <= hoy.replace(day=1) ] return meses, None # Validar que no sea un mes futuro if datetime.date(anio, mes, 1) > hoy.replace(day=1): return [], dia return [(anio, mes)], dia def main(): parser = argparse.ArgumentParser( description="Descarga boletines oficiales de Jujuy", formatter_class=argparse.RawDescriptionHelpFormatter, epilog=""" Ejemplos de uso: %(prog)s # Boletín del día actual %(prog)s --anio 2024 # Todo el año 2024 %(prog)s --anio 2024 --mes 5 # Mayo de 2024 %(prog)s --anio 2024 --mes 5 --dia 15 # 15 de mayo de 2024 """ ) parser.add_argument("--anio", type=int, help="Año a descargar") parser.add_argument("--mes", type=int, help="Mes a descargar (1-12)") parser.add_argument("--dia", type=int, help="Día específico (1-31)") parser.add_argument("--directorio", type=str, default="pendientes/jujuy", help="Directorio de destino (por defecto: pendientes/jujuy)") args = parser.parse_args() if args.mes is not None and (args.mes < 1 or args.mes > 12): parser.error("El mes debe estar entre 1 y 12") if args.dia is not None and (args.dia < 1 or args.dia > 31): parser.error("El día debe estar entre 1 y 31") if args.dia is not None and args.mes is None: parser.error("Si especificás un día, debés especificar también el mes") if args.mes is not None and args.anio is None: parser.error("Si especificás un mes, debés especificar también el año") meses, dia_especifico = calcular_meses(args.anio, args.mes, args.dia) if not meses: parser.error(f"{args.anio}/{args.mes:02d} es un mes futuro, todavía no hay boletines publicados.") print("=" * 70) print(" DESCARGA DE BOLETINES OFICIALES - JUJUY") print("=" * 70) print() os.makedirs(args.directorio, exist_ok=True) print(f"📁 Directorio de destino: {args.directorio}") print(f"🌐 Sitio web: {BASE_URL}/?page_id={PAGE_ID}") print() session = requests.Session() session.headers.update({ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 " "(KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36", "Accept-Language": "es-ES,es;q=0.9", }) total = 0 descargados = 0 no_disponibles = 0 ya_existentes = 0 for anio, mes in meses: print(f"📅 Procesando {anio}/{mes:02d}...") links = obtener_links_mes(anio, mes, session) if not links: print(f" ⚠️ No se encontraron boletines para {anio}/{mes:02d}") continue # Filtrar por día específico si aplica if dia_especifico is not None: try: fecha_filtro = datetime.date(anio, mes, dia_especifico) links = {k: v for k, v in links.items() if k == fecha_filtro} except ValueError: pass for fecha in sorted(links): total += 1 url_pdf = links[fecha] archivo_path = os.path.join(args.directorio, f"boletin_{fecha.strftime('%Y-%m-%d')}.pdf") print(f"[{total}] {fecha.strftime('%Y-%m-%d')}") if ya_existe_en_provincia(args.directorio, os.path.basename(archivo_path)): print(f" ⏭️ Ya existe, saltando...") ya_existentes += 1 continue if descargar_pdf(url_pdf, fecha, args.directorio, session): descargados += 1 else: no_disponibles += 1 print() print("=" * 70) print(" RESUMEN DE DESCARGA") print("=" * 70) print(f"📊 Total boletines encontrados: {total}") print(f"✅ Descargados: {descargados}") print(f"⏭️ Ya existían: {ya_existentes}") print(f"⚠️ No disponibles: {no_disponibles}") print(f"📁 Directorio: {args.directorio}") print() print("✨ Proceso completado!") if __name__ == "__main__": try: main() except KeyboardInterrupt: print("\n\n⚠️ Descarga interrumpida por el usuario") exit(130) except Exception as e: print(f"\n❌ Error inesperado: {e}") import traceback traceback.print_exc() exit(1)