Include . (dot) in regex pattern for directories

Reviewed-on: logique/movies#1

README.md

@@ -1,9 +1,9 @@
-# movies - مجموعه آٰرشیو های مرتب شده فیلم
+# movies - مجموعه آرشیو های مرتب شده فیلم
 
 بهتر است برای جستجو در آرشیو ها از قابلیت `find in page` مرورگر خود استفاده کنید.
 ## آرشیو های موجود فعلی: 
 
-### Donyaye Serial 
+### 🍿 Donyaye Serial 
 
 - *Dubbed* and *SoftSob* 
 - Links: 
@@ -11,11 +11,16 @@
     - **Top 1000 Series**: [Open](https://dls2.iran-gamecenter-host.com/DonyayeSerial/top_1000_series.html)
     - **Top 5000 Movies**: [Open](https://dls2.iran-gamecenter-host.com/DonyayeSerial/top_5000_movies.html)
 
+### 💎 Almas Movie
 
+- Links: 
+    - **Series**: [Open](http://chai.bokhary.ir/logique/movies/src/branch/master/view/almasmovie/series.md)
+    - **Movies**: [Open](http://chai.bokhary.ir/logique/movies/src/branch/master/view/almasmovie/movies.md)
+    - **All Links**: [Open](http://chai.bokhary.ir/logique/movies/src/branch/master/view/almasmovie/all.md)
 
 ## استخراج کننده لینک
 
-لینک های آرشیو های بالا با استفاده از یک اسکریپت جستجو و لینک های آن ها استخراج شده است. در صورت تمایل می‌توانید از اسکریپت مذکور روی هر آرشیو مشابهی استفاده کنید
+لینک های آرشیو های بالا با استفاده از یک اسکریپت جستجو و لینک های آن ها استخراج شده است. در صورت تمایل می‌توانید از اسکریپت مذکور روی هر آرشیو مشابهی استفاده کنید.
 
 ### آموزش نصب پیش نیاز ها و استفاده از اسکریپت:
 

almasmovie_indexer.py

@@ -0,0 +1,115 @@
+from glob import glob
+from urllib.parse import urlparse
+from pathlib import Path
+
+series_links_dict = {}
+movies_links_dict = {}
+all_links = []
+
+folder = Path("view/almasmovie")
+
+def process_series(link: str):
+    parsed = urlparse(link)
+    splitted_path = parsed.path.split("/")
+    first_letter = splitted_path[2]
+
+    first_letter_list = series_links_dict.get(first_letter)
+    if not first_letter_list:
+        series_links_dict[first_letter] = list()
+
+    joined_path = "/".join(splitted_path[:4])
+    url = f"{parsed.scheme}://{parsed.hostname}{joined_path}"
+
+    if not url in series_links_dict[first_letter]:
+        series_links_dict[first_letter].append(url)
+
+
+def process_movies(link: str):
+    parsed = urlparse(link)
+    splitted_path = parsed.path.split("/")
+
+    folder_name = splitted_path[-2]
+
+    if not movies_links_dict.get(folder_name):
+        year = splitted_path[-3]
+        name = splitted_path[-1].replace("_", " ").replace(".", " ")
+        joined_path = "/".join(splitted_path[: len(splitted_path) - 1])
+        movies_links_dict[folder_name] = (
+            name,
+            f"{parsed.scheme}://{parsed.hostname}{joined_path}",
+            year,
+            folder_name,
+        )
+
+
+# Iterating series
+for file in glob("data/*.saymyname.website-series.txt"):
+    with open(file, "r") as fp:
+        links = fp.readlines()
+
+        for link in links:
+            process_series(link)
+
+for file in glob("data/*.saymyname.website-movies.txt"):
+    with open(file, "r") as fp:
+        links = fp.readlines()
+
+        for link in links:
+            process_movies(link)
+
+
+
+series_text = "# آرشیو الماس‌مووی (فقط سریال) \n\n\n"
+series_text += "مرتب شده بر اساس حروف الفبا.\n\n"
+series_text += "جهت جستجو از قابلیت `find in page` مرورگر خود استفاده کنید.\n\n"
+series_text += "---\n"
+for k, v in series_links_dict.items():
+    for link in v:
+        parsed_link = urlparse(link)
+        name = parsed_link.path.split("/")[-1]
+        line = f"- **{k}**: [{name}]({link.replace(' ', '%20')})\n\n"
+        all_links.append((name, line))
+        series_text += line
+
+
+
+with open(folder / "series.md", "w") as fp:
+    fp.write(series_text)
+
+movies_text = "# آرشیو الماس‌مووی (فقط فیلم) \n\n\n"
+movies_text += "مرتب شده بر اساس حروف الفبا.\n\n"
+movies_text += "جهت جستجو از قابلیت `find in page` مرورگر خود استفاده کنید.\n\n"
+movies_text += "---\n"
+
+for v in sorted(movies_links_dict.values(), key=lambda x: x[0]):
+    name = v[0]
+    first_letter = "0-9" if name[0].isnumeric() else name[0]
+    url = v[1].replace(" ", "%20")
+    year = v[2]
+
+    line = f"- **{first_letter}**: [{name}]({url})"
+
+    if year.isnumeric() and int(year) < 3000:
+        line += f" ({year})"
+    
+    line += "\n\n"
+
+    all_links.append((name, line))
+    movies_text += line
+
+
+with open(folder / "movies.md", "w") as fp:
+    fp.write(movies_text)
+
+all_links.sort(key=lambda x: x[0])
+
+all_text = "# آرشیو الماس‌مووی \n\n\n"
+all_text += "مرتب شده بر اساس حروف الفبا.\n\n"
+all_text += "جهت جستجو از قابلیت `find in page` مرورگر خود استفاده کنید.\n\n"
+all_text += "---\n"
+
+for v in all_links:
+    all_text += v[1]
+
+with open(folder / "all.md", "w") as fp:
+    fp.write(all_text)

main.py

@@ -5,11 +5,11 @@ import aiohttp
 from aiohttp import ClientError
 
 folder_hyperlink_pat: re.Pattern = re.compile(
-    r"\<a href=\"\/?([a-zA-Z0-9_ -]+\/)\"\>\s*\<code\>", re.IGNORECASE
+    r"\<a href=\"(\/?[a-zA-Z0-9_ \[\].-]+\/)+\"\>\s*\<code\>", re.IGNORECASE
 )
 
 movie_hyperlink_pat: re.Pattern = re.compile(
-    r"\<a href=\"\/?([a-zA-Z0-9_. -]+\.?(mp4|mkv|avi|mov|wmv|webm))\"\>\s*\<code\>",
+    r"\<a href=\"(\/?[a-zA-Z0-9_ \[\].-]+\/)*([a-zA-Z0-9_. -]+\.?(mp4|mkv|avi|mov|wmv|webm))\"\>\s*\<code\>",
     re.IGNORECASE,
 )
 
@@ -23,26 +23,33 @@ async def fetch(url, tries=0):
         print(f"Failed ({tries + 1})...", end="")
         if tries >= 5:
             raise RuntimeError(f"Failed to fetch URL {url} after 6 tries")
-        return fetch(url, tries + 1)
+        return await fetch(url, tries + 1)
     except Exception as e:
         print(f"Unexpected error: {e}")
         return None
 
 
 def join_url(a: str, b: str) -> str:
-    return a.rstrip("/") + "/" + b.lstrip("/")
+    if b.startswith("/"):
+        return a[: a.rfind(".") + a[a.rfind(".") :].find("/")] + b
+    return a.rstrip("/") + "/" + b
 
 
 async def traverse(pool: list[str], url: str, verbose=False) -> None:
     page = await fetch(url)
-    folders = re.findall(folder_hyperlink_pat, page)
-    files = re.findall(movie_hyperlink_pat, page)
+    folders = folder_hyperlink_pat.findall(page)
+    files = movie_hyperlink_pat.findall(page)
+
     for f in folders:
+        if f in url:
+            continue
+        if isinstance(f, tuple):
+            f = f[-1]
         if verbose:
             print(f" -> {join_url(url, f)}")
         await traverse(pool, join_url(url, f), verbose=verbose)
     for f in files:
-        file_name = f[0]
+        file_name = f[-2]
         if verbose:
             print(f"{join_url(url, file_name)} ({len(pool)})")
         pool.append(join_url(url, file_name))
@@ -76,11 +83,11 @@ async def main():
         )
         if not is_fancy:
             folder_hyperlink_pat = re.compile(
-                r"\<a href=\"\/?([a-zA-Z0-9_ -]+\/)\"\>", re.IGNORECASE
+                r"\<a href=\"(\/?[a-zA-Z0-9_ \[\].-]+\/)+\"\>", re.IGNORECASE
             )
 
             movie_hyperlink_pat = re.compile(
-                r"\<a href=\"\/?([a-zA-Z0-9_. -]+\.?(mp4|mkv|avi|mov|wmv|webm))\"\>",
+                r"\<a href=\"(\/?[a-zA-Z0-9_ \[\].-]+\/)*([a-zA-Z0-9_. -]+\.?(mp4|mkv|avi|mov|wmv|webm))\"\>",
                 re.IGNORECASE,
             )
         tasks.append(traverse(movies, url, is_verbose))