Ë
    ”U~j¤  ã                   óR  — d Z ddlZddlZddlZddlZddlZddlZddlZddlmZm	Z	 ddl
mZ ddlmZ dZdZdZd	Zd
Z ej&                  «        e	d¬«      z
  j)                  d«      Zej,                  j/                  dd«      ZddiZd„ Zd„ Zd„ Zd„ Zd„ Zd„ Zd„ Z d"d„Z!e"dk(  rƒejF                  dd Z$dZ%dZ&ddjO                  e$«      v r7 e( ejR                  ddjO                  e$«      «      jU                  d«      «      Z%d e$v re$e$jW                  d «      dz      Z& e!e%e&¬!«       yy)#u:  
è®¸æ˜Œç½‘ - ç¤¾ä¼šæ–°é—» (21xc.com/shehui_list.html)
CMS: å®šåˆ¶ (content/YYYYMM/DD/c{id}.html)
âš ï¸� åˆ†é¡µ API 222.143.158.138:8081 å·²å¤±æ•ˆï¼Œä»…æŠ“é¦–é¡µé�™æ€� 33 æ�¡
åˆ—è¡¨: a[href] /content/YYYYMM/DD/c{id}.html
è¯¦æƒ…: å®¹å™¨ class=text
ç”¨æ³•: python3 crawl_21xc_shehui.py [--pages=N] [--json out.jsonl]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu   è®¸æ˜Œç½‘-ç¤¾ä¼šæ–°é—»zhttp://www.21xc.comz$http://www.21xc.com/shehui_list.htmlzwww.21xc.comu   æ²³å�—iG  )Údaysz%Y-%m-%dÚDB_PATHz/root/search.dbz
User-AgentzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36c                 ó2   — t        dt        › d| › �d¬«       y )Nú[z] T)Úflush)ÚprintÚ	SITE_NAME)Úmsgs    ú&/root/gov_crawler/crawl_21xc_shehui.pyÚlogr      s   € Ü	ˆAŒiˆ[˜˜3˜%Ð
 ¨Ö-ó    c                 ó´   — t        j                  dd| xs d«      } t        j                  dd| «      } t        j                  dd| «      j                  «       } | S )Nz&nbsp;|&#160;|\u200b|\ufeffÚ z\s+ú u   \.\.\.|â€¦$)ÚreÚsubÚstrip)Úts    r   Úclean_titler      sK   € Ü
�‰Ð-¨r°1²7¸Ó;€AÜ
�‰ˆv�s˜AÓ€AÜ
�‰ˆ~˜r 1Ó%×+Ñ+Ó-€AØ€Hr   c                 ó�   — | dkD  ryt        j                  t        t        d¬«      }|j                  xs d|_        |j                  S )Né   r   é   )ÚheadersÚtimeoutúutf-8)ÚrequestsÚgetÚLIST_URLÚHEADERSÚapparent_encodingÚencodingÚtext)ÚpÚrs     r   Ú
fetch_pager)   %   s9   € Øˆ1‚uØÜ�‰”X¤w¸Ô;€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 ó~   — t        j                  | t        dd¬«      }|j                  xs d|_        |j
                  S )Nr   F)r   r   Úverifyr   )r    r!   r#   r$   r%   r&   )Úurlr(   s     r   Úfetch_detailr-   ,   s1   € Ü�‰�S¤'°2¸eÔD€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 óÄ  — t        | d«      }g }|j                  dd¬«      D ]û  }|j                  dd«      }t        j                  d|«      sŒ,t        |j                  d¬«      «      }|rt        |«      d	k  rŒXd}|j                  d
dg«      }|rjt        j                  d|j                  «       «      }|rD|j                  d«      j                  dd«      j                  dd«      j                  dd«      d d }|j                  |t        t        |«      |dœ«       Œý t        «       }	g }
|D ]/  }|d   |	vsŒ|	j                  |d   «       |
j                  |«       Œ1 |
S )Núhtml.parserÚaT©Úhrefr2   r   z/content/\d{6}/\d{2}/c\d+\.html©r   é   ÚliÚdivõ#   20\d{2}[-/å¹´]\d{1,2}[-/æœˆ]\d{1,2}r   õ   å¹´ú-õ   æœˆú/é
   )Útitler,   Úpub_dater,   )r   Úfind_allr!   r   Úsearchr   Úget_textÚlenÚfind_parentÚgroupÚreplaceÚappendr   ÚBASE_URLÚsetÚadd)ÚhtmlÚsoupÚitemsr0   r2   r=   r>   ÚparentÚmÚseenÚuniqÚits               r   Ú
parse_listrR   2   sR  € Ü˜˜}Ó-€DØ€EØ�]‰]˜3 Tˆ]Ó*ò ]ˆØ�u‰u�V˜RÓ ˆÜ�y‰yÐ;¸TÔBØÜ˜AŸJ™J¨T˜JÓ2Ó3ˆÙœ˜E›
 QšØØˆØ—‘  e˜}Ó-ˆÙÜ—	‘	Ð@À&Ç/Á/ÓBSÓTˆAÙØŸ7™7 1›:×-Ñ-¨e°SÓ9×AÑAÀ%ÈÓM×UÑUÐVYÐ[^Ó_Ð`cÐacÐd�Ø�‰˜u¬W´X¸tÓ-DÐRZÑ[Õ\ð]ô ‹5€DØ€DØò ˆØˆe‰9˜DÒ Ø�H‰H�R˜‘YÔØ�K‰K˜�Oðð €Kr   c                 óž  — ddddœ}t        | d«      }|j                  dd¬«      }|rt        |j                  d¬«      «      |d	<   |d	   sJ|j                  d	«      }|r7|j                  d¬«      }t	        j
                  d
d|«      }t        |«      |d	<   t	        j                  d| d d «      }|rG|j                  d«      j                  dd«      j                  dd«      j                  dd«      d d |d<   |j                  dd¬«      xs( |j                  dd¬«      xs |j                  dd¬«      }|rt        t        |«      «      |d<   |S )Nr   ©r=   Úpublish_dateÚcontentr/   Úh1zcontent-title)Úclass_Tr3   r=   u   [_\-â€”]\s*è®¸æ˜Œç½‘\s*$r7   i@  r   r8   r9   r:   r;   r<   rU   r6   zarticle-contentzarticle-detailr&   rV   )r   Úfindr   rA   r   r   r@   rD   rE   Úextract_clean_textÚstr)rJ   ÚresultrK   ÚhÚttr   rN   r6   s           r   Úparse_detailr_   K   sU  € Ø¨2¸"Ñ=€FÜ˜˜}Ó-€DØ�	‰	�$˜ˆ	Ó/€AÙÜ% a§j¡j°t jÓ&<Ó=ˆˆw‰Ø�'Š?Ø�Y‰Y�wÓˆÙØ—‘ $�Ó'ˆAÜ—‘Ð2°B¸Ó:ˆAÜ)¨!›nˆF�7‰OÜ
�	‰	Ð8¸$¸uÀ¸+ÓF€AÙØ!"§¡¨£×!3Ñ!3°E¸3Ó!?×!GÑ!GÈÈsÓ!S×![Ñ![Ð\_ÐadÓ!eÐfiÐgiÐ!jˆˆ~ÑØ
�)‰)�EÐ"3ˆ)Ó
4ò  E¸¿	¹	À%ÐP`¸	Ó8aò  EÐei×enÑenÐotð  ~DÐenó  fE€CÙ
Ü.¬s°3«xÓ8ˆˆyÑØ€Mr   c                 ó   — | syt        | d«      }|j                  dd¬«      D ]R  }|j                  dd«      }|j                  d¬«      xs d}t	        t
        |«      }|j                  d	|› d
|› d�«       ŒT |j                  g d¢«      D ]  }|j                  «        Œ g }|j                  ddg«      D ]u  }|j                  dk(  r|j                  t        |«      «       Œ-|j                  dk(  sŒ=|j                  d«      rŒO|j                  dd¬«      }	|	sŒe|j                  |	«       Œw |rdj                  |«      S | j                  «       S )Nr   r/   r0   Tr1   r2   r3   u   é™„ä»¶r
   z](ú))ÚspanÚbÚstrongÚfontÚemÚiÚuÚsÚtabler'   )Ú	separatorr   z

)r   r?   r!   rA   r   rG   Úreplace_withÚunwrapÚnamerF   r[   rC   Újoinr   )
Úcontent_htmlrK   Úa_tagr2   r&   Úfull_urlÚtagÚpartsÚelr   s
             r   rZ   rZ   _   s6  € ÙØÜ˜ }Ó5€DØ—‘˜s¨�Ó.ò 4ˆØ�y‰y˜ Ó$ˆØ�~‰~ Dˆ~Ó)Ò5¨XˆÜœ8 TÓ*ˆØ×Ñ˜Q˜t˜f B x j°Ð2Õ3ð	4ð
 �}‰}ÒQÓRò ˆØ�
‰
�ðà€EØ�m‰m˜W c˜NÓ+ò  ˆØ�7‰7�gÒØ�L‰Lœ˜R›Õ!Ø�W‰W˜‹^ B§N¡N°7Õ$;Ø—‘ b°�Ó5ˆAÚØ—‘˜Q•ð ñ "'ˆ6�;‰;�uÓÐ@¨L×,>Ñ,>Ó,@Ð@r   r   c                 ó¨  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]¬  }|dk(  rt        n
t        › d|› �}	 t        |«      }t        |«      }d}	|D ]4  }
|
d   |vsŒ|j                  |
d   «       |j                  |
«       |	dz  }	Œ6 t        d|› d	t        |«      › d
|	› dt        |«      › �«       |s nt        j                  d«       Œ® g }t        |d«      D ]ž  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d   «      }t        |«      }|j                  |d   xs |
d   |
d   |d   xs |
d   |d   t         ddœ«       |dz  dk(  rt        d|› dt        |«      › �«       t        j                  d«       Œ  |rct#        |dd¬«      5 }|D ]+  }|j%                  t'        j(                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t        |«      › d"|› �«       y t+        j,                  t.        «      }|j1                  d#«       |j3                  «       }dx}}|D ]V  }	 |j1                  d$|d%   |d&   |d&   |d   |d   |d   |d   xs dd d' |d(   f«       |j4                  dkD  r|dz  }n|dz  }ŒX |j7                  «        |j9                  «        t        d*|› d+|› d,�«       y # t        $ r}t        d|› d|› �«       Y d }~ �Œd }~ww xY w# t        $ r(}t        d|
d   dd  › d|› �«       ddddœ}Y d }~�Œõd }~ww xY w# 1 sw Y   �ŒNxY w# t        $ r}t        d)|› �«       |dz  }Y d }~�Œd }~ww xY w)-NzCrawl pages=z cutoff=r   Ú_ÚPz ERR: r   r,   z: z items (z new), total gš™™™™™é?r>   z	  detail iØÿÿÿr   rT   r=   rU   rV   u   ç¤¾ä¼šæ–°é—»)r=   Úpage_urlrU   rV   Ú	site_nameÚcolumnr<   z  r;   gš™™™™™Ù?Úwr   )r%   F)Úensure_asciiú
zJSONL: z
 items -> zPRAGMA busy_timeout=10000z‰INSERT OR IGNORE INTO gov_raw (site_name, source_url, page_url, title, publish_date, content, summary, category) VALUES (?,?,?,?,?,?,?,?)rz   ry   iô  r{   z
DB error: zResult: z new, z skipped)r   ÚCUTOFFrH   Úranger"   r)   Ú	ExceptionrR   rI   rF   rB   ÚtimeÚsleepÚ	enumerater-   r_   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allrO   r'   r,   rJ   ÚerL   ÚnewrQ   ÚenrichedÚidxÚdetailÚfÚitemÚconnÚcÚstoredÚskippeds                       r   Úcrawlrž   u   s¸  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€DÜ�1�e˜a‘iÓ ò ˆØ˜qš&�h¬¨
°!°A°3Ð&7ˆð	Ü˜a“=ˆDô ˜4Ó ˆØˆØò 	ˆBØ�%‰y Ò$Ø—‘˜˜E™Ô#Ø× Ñ  Ô$Ø�q‘‘ð		ô
 	ˆa�ˆs�"”S˜“Z�L ¨¨¨]¼3¸y»>Ð:JÐKÔLÙÙÜ�
‰
�3�ð#ð& €HÜ˜Y¨Ó*ò ‰ˆˆRØˆjŠ>˜b ™n¬vÒ5Øð	FÜ  5¡	Ó*ˆDÜ! $Ó'ˆFð 	�‰Ø˜G‘_Ò3¨¨7©Ø˜5™	Ø" >Ñ2ÒD°b¸±nØ˜iÑ(Ü"Ø$ñ
ô 	ð �‰8�qŠ=Ü�"�S�E˜œ3˜y›>Ð*Ð+Ô,Ü�
‰
�3�ð'ñ* Ü�(˜C¨'Ô2ð 	E°aØ ò E�Ø—‘œŸ
™
 4°eÔ<¸tÑCÕDñE÷	Eô 	ˆg”c˜(“m�_ J¨x¨jÐ9Ô:Øä�?‰?œ7Ó#€DØ‡L�LÐ,Ô-Ø�‰‹€AØÐ€FˆWØò ˆð	Ø�I‰Ið,ð �kÑ" D¨Ñ$4°d¸:Ñ6FØ�g‘  ^Ñ 4°d¸9±oØ�y‘/Ò' R¨¨#Ð.°°X±ð@ô	Að �z‰z˜AŠ~Ø˜!‘‘à˜1‘�øðð  	‡K�K„MØ‡J�J„LÜˆ(�6�(˜&  	¨Ð2Õ3øôE ò 	Ü�!�A�3�f˜Q˜CÐ Ô!Þûð	ûô, ò 	FÜ�)˜B˜u™I c d˜OÐ,¨F°1°#Ð6Ô7Ø!°2À"ÑEŽFûð	Fú÷ 	Eñ 	Eûô. ò 	Ü�*˜Q˜CÐ Ô!Ø�q‰LŽGûð	úsU   ÁK ÄK)Æ1LÈ8AL*Ë 	K&Ë	K!Ë!K&Ë)	LË2LÌLÌL'Ì*	MÌ3MÍMÚ__main__é   z--pages=r   z--pages=(\d+)z--json)r�   r‘   )r   N),Ú__doc__r   ÚsysÚosr‡   r‚   r‰   r    r   r   Úbs4r   Úurllib.parser   r   rG   r"   ÚDOMAINÚGROUPÚnowÚstrftimer   Úenvironr!   r   r#   r   r   r)   r-   rR   r_   rZ   rž   Ú__name__ÚargvÚargsr�   r‘   ro   Úintr@   rD   Úindex© r   r   ú<module>r±      s:  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à$€	Ø €Ø1€Ø	€Ø€Ø
ˆ(�,‰,‹.™9¨%Ô0Ñ
0×	:Ñ	:¸:Ó	F€Ø
�*‰*�.‰.˜Ð$5Ó
6€Øð  Kð  L€ò.òòòòò2ò(Aó,J4ðZ ˆzÒØ�8‰8�A�Bˆ<€DØ€EØ€HØ�S—X‘X˜d“^Ñ#Ù�I�B—I‘IÐ.°·±¸³Ó?×EÑEÀaÓHÓIˆØ�4ÑØ˜Ÿ
™
 8Ó,¨qÑ0Ñ1ˆÙ	� Ö)ð r   