#!/usr/bin/env python3 """ Script para descargar boletines oficiales de San Luis. Scraping del portal: https://boletinoficial.sanluis.gov.ar/Boletin/Periodo/YYYY-M Descarga PDF vía: https://boletinoficial.sanluis.gov.ar/Boletins/Numero/NUMERO Uso: python descargar_sanluis.py # Descarga boletines del mes actual python descargar_sanluis.py --anio 2026 # Descarga todo el año 2026 python descargar_sanluis.py --anio 2026 --mes 3 # Descarga todo marzo de 2026 python descargar_sanluis.py --anio 2026 --mes 3 --dia 5 # Descarga el 05/03/2026 """ import os import sys import re import datetime import argparse from base import ya_existe_en_provincia import calendar import requests from bs4 import BeautifulSoup sys.path.insert(0, os.path.join(os.path.dirname(__file__), '..')) from dotenv import load_dotenv load_dotenv(os.path.join(os.path.dirname(__file__), '..', '.env')) PDF_STORAGE_PATH = os.getenv('PDF_STORAGE_PATH', '/var/www/html/compartido/boletinesOficiales/pdf') DESTINO = os.path.join(PDF_STORAGE_PATH, "SAN LUIS") BASE_URL = "https://boletinoficial.sanluis.gov.ar" SESSION = requests.Session() SESSION.headers.update({ "User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36", "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8", "Referer": BASE_URL, }) # Meses en español para parsear las fechas del sitio (ej: "27 feb. 2026") MESES_CORTOS = { 'ene': 1, 'feb': 2, 'mar': 3, 'abr': 4, 'may': 5, 'jun': 6, 'jul': 7, 'ago': 8, 'sep': 9, 'oct': 10, 'nov': 11, 'dic': 12, } def parsear_fecha_sitio(texto): """ Parsea fechas del sitio como '27 feb. 2026' o '5 mar. 2026'. Retorna datetime.date o None. """ m = re.search(r'(\d{1,2})\s+(\w+)\.?\s+(\d{4})', texto.strip().lower()) if not m: return None dia, mes_str, anio = int(m.group(1)), m.group(2)[:3], int(m.group(3)) mes = MESES_CORTOS.get(mes_str) if not mes: return None try: return datetime.date(anio, mes, dia) except ValueError: return None def obtener_boletines_periodo(anio, mes): """ Scraping de la página del período para obtener los boletines listados. Returns: Lista de dicts {'numero': int, 'fecha': datetime.date} """ url = f"{BASE_URL}/Boletin/Periodo/{anio}-{mes}" try: r = SESSION.get(url, timeout=30) r.raise_for_status() except requests.RequestException as e: print(f" Error al obtener el listado del período {anio}-{mes}: {e}") return [] soup = BeautifulSoup(r.text, "html.parser") boletines = [] # Los links de descarga tienen la forma /Boletins/Numero/NUMERO for a in soup.find_all("a", href=re.compile(r'/Boletins/Numero/\d+')): m = re.search(r'/Boletins/Numero/(\d+)', a["href"]) if not m: continue numero = int(m.group(1)) # Buscar la fecha en el bloque contenedor del link contenedor = a.find_parent() fecha = None for _ in range(5): # subir hasta 5 niveles buscando la fecha if contenedor is None: break texto = contenedor.get_text(" ", strip=True) fecha = parsear_fecha_sitio(texto) if fecha: break contenedor = contenedor.find_parent() # Evitar duplicados (algunos boletines tienen dos links VER y Descargar) if not any(b["numero"] == numero for b in boletines): boletines.append({"numero": numero, "fecha": fecha}) return boletines def nombre_destino(fecha): """Nombre estándar del archivo: sanluis_YYYY_MM_DD.pdf""" return f"sanluis_{fecha.strftime('%Y_%m_%d')}.pdf" def descargar_pdf(numero, fecha, directorio): """ Descarga el PDF de un boletín por su número. Retorna True si lo descargó, False si hubo error, None si ya existía. """ nombre = nombre_destino(fecha) ruta = os.path.join(directorio, nombre) if ya_existe_en_provincia(directorio, nombre): print(f" [SKIP] N° {numero} — ya existe: {nombre}") return None url = f"{BASE_URL}/Boletins/Numero/{numero}" try: r = SESSION.get(url, timeout=60, stream=True) r.raise_for_status() # Verificar que sea PDF real content_type = r.headers.get("Content-Type", "") primeros_bytes = b"" chunks = [] for chunk in r.iter_content(chunk_size=8192): chunks.append(chunk) if len(primeros_bytes) < 4: primeros_bytes += chunk contenido = b"".join(chunks) if not contenido[:4] == b"%PDF" and "pdf" not in content_type.lower(): print(f" [WARN] N° {numero} — la respuesta no parece un PDF (Content-Type: {content_type})") return False with open(ruta, "wb") as f: f.write(contenido) size_mb = os.path.getsize(ruta) / 1024 / 1024 print(f" [OK] N° {numero} — guardado: {nombre} ({size_mb:.1f} MB)") return True except requests.RequestException as e: print(f" [ERROR] N° {numero} — {e}") return False def main(): parser = argparse.ArgumentParser( description="Descarga boletines oficiales de San Luis", formatter_class=argparse.RawDescriptionHelpFormatter, epilog=""" Ejemplos de uso: %(prog)s # Mes actual %(prog)s --anio 2026 # Todo el año 2026 %(prog)s --anio 2026 --mes 3 # Marzo de 2026 %(prog)s --anio 2026 --mes 3 --dia 5 # 05/03/2026 """ ) 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=DESTINO, help="Directorio de destino") 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") hoy = datetime.date.today() anio = args.anio or hoy.year # Determinar meses a procesar if args.mes: meses = [args.mes] elif args.anio: meses = list(range(1, 13)) else: meses = [hoy.month] print("=" * 60) print(" DESCARGA DE BOLETINES OFICIALES - SAN LUIS") print("=" * 60) os.makedirs(args.directorio, exist_ok=True) print(f"Directorio de destino: {args.directorio}") print() total = descargados = ya_existentes = errores = 0 for mes in meses: print(f"--- Período {anio}-{mes:02d} ---") boletines = obtener_boletines_periodo(anio, mes) if not boletines: print(f" No se encontraron boletines para {anio}-{mes:02d}") print() continue print(f" Boletines encontrados: {len(boletines)}") # Filtrar por día si se especificó if args.dia: fecha_filtro = datetime.date(anio, mes, args.dia) boletines = [b for b in boletines if b["fecha"] == fecha_filtro] if not boletines: print(f" No hay boletín para el {args.dia:02d}/{mes:02d}/{anio}") print() continue for b in sorted(boletines, key=lambda x: x["numero"]): fecha = b["fecha"] or datetime.date(anio, mes, 1) fecha_str = b["fecha"].strftime("%d/%m/%Y") if b["fecha"] else "fecha desconocida" print(f" N° {b['numero']} ({fecha_str})") total += 1 resultado = descargar_pdf(b["numero"], fecha, args.directorio) if resultado is True: descargados += 1 elif resultado is None: ya_existentes += 1 else: errores += 1 print() print("=" * 60) print(" RESUMEN") print("=" * 60) print(f"Total boletines encontrados: {total}") print(f"Descargados: {descargados}") print(f"Ya existían: {ya_existentes}") print(f"Errores: {errores}") print(f"Directorio: {args.directorio}") print() print("Proceso completado.") if __name__ == "__main__": try: main() except KeyboardInterrupt: print("\n\nDescarga interrumpida por el usuario") sys.exit(130) except Exception as e: print(f"\nError inesperado: {e}") import traceback traceback.print_exc() sys.exit(1)