Ë
    P¦~jE)  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  
å®‰é˜³å¸‚æ”¿åºœ - å»ºè®¾é¡¹ç›®çŽ¯è¯„ä¿¡æ�¯ (anyang.gov.cn/zwgk/zdlyzfxxgk/hjbh/jsxmhjyxpjxx/)
CMS: å®šåˆ¶ (2026/MM-DD/{id}.html)
åˆ—è¡¨: a[title] /2026/MM-DD/{id}.html
åˆ†é¡µ: index_N.html
è¯¦æƒ…: å®¹å™¨ id=content
ç”¨æ³•: python3 crawl_anyang_hjbh.py [--pages=N] [--json out.jsonl]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu"   å®‰é˜³å¸‚-å»ºè®¾é¡¹ç›®çŽ¯è¯„ä¿¡æ�¯zhttps://www.anyang.gov.cnz<https://www.anyang.gov.cn/zwgk/zdlyzfxxgk/hjbh/jsxmhjyxpjxx/zwww.anyang.gov.cnu   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_anyang_hjbh.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€¦$)ÚreÚsubÚstrip)Úts    r   Úclean_titler      sK   € Ü
�‰Ð-¨r°1²7¸Ó;€AÜ
�‰ˆv�s˜AÓ€AÜ
�‰ˆ~˜r 1Ó%×+Ñ+Ó-€AØ€Hr   c                 óÌ   — | dk(  rt         nt         j                  d«      d| › d�z   }t        j                  |t        dd¬«      }|j
                  xs d|_        |j                  S )	Né   ú/z/index_z.htmlé   F©ÚheadersÚtimeoutÚverifyúutf-8)ÚLIST_URLÚrstripÚrequestsÚgetÚHEADERSÚapparent_encodingÚencodingÚtext)ÚpÚurlÚrs      r   Ú
fetch_pager.   %   sU   € Ø˜1’f�(¤(§/¡/°#Ó"6¸7À1À#ÀUÐ9KÑ"K€CÜ�‰�S¤'°2¸eÔD€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 ó~   — t        j                  | t        dd¬«      }|j                  xs d|_        |j
                  S )Nr   Fr   r"   )r%   r&   r'   r(   r)   r*   )r,   r-   s     r   Úfetch_detailr0   +   s1   € Ü�‰�S¤'°2¸eÔD€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 óð  — t        | d«      }g }|j                  dd¬«      D �]  }|j                  dd«      }t        j                  d|«      sŒ-t        |j                  dd«      xs |j                  d¬	«      «      }|rt        |«      d
k  rŒmd}|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«       �Œ t        «       }	g }
|D ]/  }|d   |	vsŒ|	j                  |d   «       |
j                  |«       Œ1 |
S )Núhtml.parserÚaT©Úhrefr5   r   z/20\d{2}/\d{2}-\d{2}/\d+\.htmlÚtitle©r   é   ÚliÚdivõ#   20\d{2}[-/å¹´]\d{1,2}[-/æœˆ]\d{1,2}r   õ   å¹´ú-õ   æœˆr   é
   )r6   r,   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itemsr3   r5   r6   r@   ÚparentÚmÚseenÚuniqÚits               r   Ú
parse_listrT   1   sb  € Ü˜˜}Ó-€DØ€EØ�]‰]˜3 Tˆ]Ó*ó ]ˆØ�u‰u�V˜RÓ ˆÜ�y‰yÐ:¸DÔAØÜ˜AŸE™E '¨2Ó.ÒH°!·*±*À4°*Ó2HÓIˆ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[Ö\ð]ô ‹5€DØ€DØò ˆØˆe‰9˜DÒ Ø�H‰H�R˜‘YÔØ�K‰K˜�Oðð €Kr   c                 ó   — ddddœ}t        | d«      }|j                  ddg«      D ]`  }|j                  d¬«      }t        j                  d|«      rŒ,t        |«      d	k\  sŒ;|j                  d
«      rŒMd|vsŒRt        |«      |d<    n |d   sI|j                  dddi¬«      }|r2|j                  d«      r!t        |d   «      }t        |«      d	k\  r||d<   |d   sH|j                  d«      }|r5t        j                  dd|j                  d¬«      «      }t        |«      |d<   |j                  dddi¬«      }|r|j                  d«      r|d   d d |d<   |d   sbt        j                  d| d d «      }|rG|j                  d«      j                  dd«      j                  dd«      j                  dd«      d d |d<   d}	dD ]9  }
|j                  d|
¬«      xs |j                  d|
¬ «      }|sŒ.t        |«      }	 n |	rt        |	«      |d<   |S )!Nr   ©r6   Úpublish_dateÚcontentr2   Úh1Úh2Tr7   u   20\d{2}å¹´\d{1,2}æœˆ\d{1,2}æ—¥é   )u   æ‚¨å½“å‰�çš„ä½�ç½®u   å½“å‰�ä½�ç½®u   é¦–é¡µu   ç½‘ç«™u	   ç‚¹å‡»æ•°r6   ÚmetaÚnameÚArticleTitle)ÚattrsrX   u]   \s*[|_\-â€”]\s*(é€šçŸ¥å…¬å‘Š|å…¬ç¤ºå…¬å‘Š|æ”¿åŠ¡å…¬å¼€|äººæ°‘æ”¿åºœ|å®‰é˜³å¸‚äººæ°‘æ”¿åºœ).*$ÚPubDater?   rW   r;   i@  r   r<   r=   r>   r   )rX   Ú	printArear:   )Úid)Úclass_)r   rA   rC   r   Ú	fullmatchrD   Ú
startswithr   Úfindr&   r   rB   rF   rG   ÚstrÚextract_clean_text)rL   ÚresultrM   Úhr   Úmeta_tÚ	title_tagÚ	meta_daterP   Úcontent_htmlÚcidr:   s               r   Úparse_detailrp   J   sG  € Ø¨2¸"Ñ=€FÜ˜˜}Ó-€Dà�]‰]˜D $˜<Ó(ò ˆØ�J‰J˜TˆJÓ"ˆä�<‰<Ð9¸1Ô=ØÜˆq‹6�Q‹;˜qŸ|™|Ð,fÕgÐlwð  @Aò  mAÜ)¨!›nˆF�7‰OÙðð �'Š?Ø—‘˜6¨&°.Ð)A�ÓBˆÙ�f—j‘j Ô+Ü˜F 9Ñ-Ó.ˆAÜ�1‹v˜Š{Ø"#��w‘Ø�'Š?Ø—I‘I˜gÓ&ˆ	ÙÜ—‘ÐwÐy{ð  ~G÷  ~Pñ  ~Pð  W[ð  ~Pó  ~\ó  ]ˆAÜ)¨!›nˆF�7‰OØ—	‘	˜&¨°Ð(;�	Ó<€IÙ�Y—]‘] 9Ô-Ø!*¨9Ñ!5°c°rÐ!:ˆˆ~ÑØ�.Ò!Ü�I‰IÐ<¸dÀ5ÀD¸kÓJˆÙØ%&§W¡W¨Q£Z×%7Ñ%7¸¸sÓ%C×%KÑ%KÈEÐSVÓ%W×%_Ñ%_Ð`cÐehÓ%iÐjmÐkmÐ%nˆF�>Ñ"Ø€LØ'ò ˆØ�i‰i˜ #ˆiÓ&ÒF¨$¯)©)°EÀ#¨)Ó*FˆÚÜ˜s›8ˆLÙð	ñ
 Ü.¨|Ó<ˆˆyÑØ€Mr   c           
      ó6	  ‡— | syt        | d«      }|j                  ddg«      D ]  }|j                  «        Œ |j                  d«      D ]9  }|j                  dd«      Št	        ˆfd„dD «       «      sŒ*|j                  «        Œ; g }|j                  d	«      D ]É  }|j                  d
d¬«      }|sŒ|j                  d«      rŒ+|j                  dd«      j                  «       }|j                  d¬«      xs5 t        j                  j                  |j                  d«      d   «      xs d}|sŒ—|j                  d«      rŒ©|j                  |t        t         |«      f«       ŒË |j                  d	«      D ]8  }|j                  d
d¬«      sŒ|j                  d«      rŒ)|j                  «        Œ: |j                  g d¢«      D ]  }|j#                  «        Œ |j                  ddg«      D ]9  }|j                  d¬«      rŒ|j                  g d¢«      rŒ*|j                  «        Œ; ddlm}	 g }
|j                  ddg«      D �]J  }|j(                  dk(  r|
j                  t+        |«      «       Œ.|j(                  dk(  sŒ>|j                  d«      rŒPg }|j,                  D ]²  }t/        |dd«      }|dk(  rB|j                  dd«      Št	        ˆfd„dD «       «      rŒ<|j                  t+        |«      «       ŒW|dv r|j                  t+        |«      «       Œv|r|j                  t+        |«      «       Œ“|j                   |	t+        |«      «      «       Œ´ dj1                  |«      j                  «       }|s�Œ6|
j                  d|› d�«       �ŒM |j                  d«      D ]‡  }|j                  dd«      Š|j                  d«      s|j                  d«      rŒ8t	        ˆfd „dD «       «      rŒM‰j                  «       }|sŒ`|
j                  d! |	t        t         |«      «      z  «       Œ‰ t3        «       }|D ]7  \  }}||f}||v rŒ|j5                  |«       |
j                  d"|› d#|› d$�«       Œ9 |
rd%j1                  |
«      S  |	| «      j                  «       S )&uq   è¾“å‡ºçº¯ HTMLï¼šæ®µè�½ <p>ã€�é“¾æŽ¥ <a href target=_blank>ã€�è¡¨æ ¼ä¿�ç•™ã€�å›¾ç‰‡ <img>ã€�é™„ä»¶ç‹¬ç«‹æˆ�æ®µã€‚r   r2   ÚscriptÚstyleÚimgÚsrcc              3   ó&   •K  — | ]  }|‰v –— Œ
 y ­w©N© ©Ú.0ÚkÚsrc0s     €r   ú	<genexpr>z%extract_clean_text.<locals>.<genexpr>}   s   øè ø€ Òs˜Qˆq�DŒyÑsùs   ƒ)z
un-collectÚcollectÚshareÚfaviconÚqrcodeÚewmÚbannerÚtop_r9   r3   Tr4   Útabler5   r7   ú?r   u   é™„ä»¶)zjavascript:ú#)ÚspanÚbÚstrongÚfontÚemÚiÚuÚsr:   r+   )rt   r…   r3   )Úescaper]   Nc              3   óB   •K  — | ]  }|‰j                  «       v –— Œ y ­wrw   ©Úlowerry   s     €r   r}   z%extract_clean_text.<locals>.<genexpr>�   s   øè ø€ ÒS°˜1 §
¡
£Ô,ÑSùó   ƒ)z.gifÚicon16rƒ   )r3   r…   Úbrz<p>z</p>c              3   óB   •K  — | ]  }|‰j                  «       v –— Œ y ­wrw   r’   ry   s     €r   r}   z%extract_clean_text.<locals>.<genexpr>®   s   øè ø€ ÒG Qˆq�D—J‘J“LÔ ÑGùr”   z<p><img src="%s"></p>z<p><a href="z" target="_blank">z</a></p>z

)r   rA   Ú	decomposer&   Úanyrf   rE   r   rC   ÚosÚpathÚbasenameÚsplitre   rH   r   rI   ÚunwraprL   r�   r]   rg   ÚcontentsÚgetattrÚjoinrJ   rK   )rn   rM   Útagrt   Úattach_linksr9   Úa_inr5   r*   r�   ÚpartsÚelÚinnerÚcr]   r   ru   Úseen_ar,   Úkeyr|   s                       @r   rh   rh   s   s  ø€ áØÜ˜ }Ó5€DØ�}‰}˜h¨Ð0Ó1ò ˆØ�‰�ðð �}‰}˜UÓ#ò ˆØ�w‰w�u˜bÓ!ˆÜÓsÐ"rÔsÕsØ�M‰M�Oðð
 €LØ�m‰m˜DÓ!ò EˆØ�w‰w�s ˆwÓ&ˆÚ˜Ÿ™ wÕ/Ø—8‘8˜F BÓ'×-Ñ-Ó/ˆDØ—=‘= t�=Ó,Ò`´·±×0@Ñ0@ÀÇÁÈCÃÐQRÑASÓ0TÒ`ÐX`ˆDÚ˜DŸO™OÐ,@ÕAØ×#Ñ# T¬7´8¸TÓ+BÐ$CÕDðEð �m‰m˜DÓ!ò ˆØ�7‰7�3˜Tˆ7Õ"¨2¯>©>¸'Õ+BØ�L‰L�Nðð �}‰}ÒQÓRò ˆØ�
‰
�ðð �}‰}˜e S˜\Ó*ò ˆØ�|‰| $ˆ|Õ'°·±Ò9NÕ0OØ�M‰M�Oðõ Ø€EØ�m‰m˜W c˜NÓ+ó ,ˆØ�7‰7�gÒØ�L‰Lœ˜R›Õ!Ø�W‰W˜‹^ B§N¡N°7Õ$;ØˆEØ—[‘[ò 1�Ü˜q &¨$Ó/�Ø˜5’=ØŸ5™5 ¨Ó+�DÜÓSÐ6RÔSÔSØ Ø—L‘L¤ Q£Õ(ØÐ1Ñ1Ø—L‘L¤ Q£Õ(ÙØ—L‘L¤ Q£Õ(à—L‘L¡¬¨A«£Õ0ð1ð —‘˜“×$Ñ$Ó&ˆAÛØ—‘˜s 1 # T˜]Ö+ð),ð, �}‰}˜UÓ#ò SˆØ�w‰w�u˜bÓ!ˆØ�?‰?˜3Ô 3§?¡?°7Ô#;ØÜÓGÐ*FÔGÔGØØ�j‰j‹lˆÚØ�L‰LÐ0±6¼'Ä(ÈCÓ:PÓ3QÑQÕRðSô ‹U€FØ!ò K‰	ˆˆcØ�SˆkˆØ�&‰=ØØ�
‰
�3ŒØ�‰�| C 5Ð(:¸4¸&ÀÐIÕJðKñ "'ˆ6�;‰;�uÓÐH©F°<Ó,@×,FÑ,FÓ,HÐHr   r   c                 óª  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]¬  }|dk(  rt        n
t        › d|› �}	 t        |«      }t        |«      }d}	|D ]4  }
|
d   |vsŒ|j                  |
d   «       |j                  |
«       |	dz  }	Œ6 t        d|› d	t        |«      › d
|	› dt        |«      › �«       |s nt        j                  d«       Œ® g }t        |d«      D ]ž  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d   «      }t        |«      }|j                  |d   xs |
d   |
d   |d   xs |
d   |d   t         ddœ«       |dz  dk(  rt        d|› dt        |«      › �«       t        j                  d«       Œ  |rct#        |dd¬«      5 }|D ]+  }|j%                  t'        j(                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t        |«      › d"|› �«       y t+        j,                  t.        «      }|j1                  d#«       |j3                  «       }dx}}|D ]W  }	 |j1                  d$|d%   |d&   |d&   |d   |d   |d   |d   xs dd d' |d(   d)f	«       |j4                  dkD  r|dz  }n|dz  }ŒY |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 }~�Œöd }~ww xY w# 1 sw Y   �ŒOxY w# t        $ r}t        d*|› �«       |dz  }Y d }~�Œd }~ww xY w).NzCrawl pages=z cutoff=r   Ú_ÚPz ERR: r   r,   z: z items (z new), total gš™™™™™é?r@   z	  detail iØÿÿÿr   rV   r6   rW   rX   u   çŽ¯è¯„å…¬ç¤º)r6   Úpage_urlrW   rX   Ú	site_nameÚcolumnr?   z  r   gš™™™™™Ù?Úwr"   )r)   F)Úensure_asciiú
zJSONL: z
 items -> zPRAGMA busy_timeout=10000z˜INSERT OR IGNORE INTO gov_raw (site_name, source_url, page_url, title, publish_date, content, summary, category, script_name) VALUES (?,?,?,?,?,?,?,?,?)r¯   r®   iô  r°   zcrawl_anyang_hjbh.pyz
DB error: zResult: z new, z skipped)r   ÚCUTOFFrJ   Úranger#   r.   Ú	ExceptionrT   rK   rH   rD   ÚtimeÚsleepÚ	enumerater0   rp   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allrQ   r+   r,   rL   ÚerN   ÚnewrS   ÚenrichedÚidxÚdetailÚfÚitemÚconnr¨   ÚstoredÚskippeds                       r   ÚcrawlrÒ   ½   s»  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€DÜ�1�e˜a‘iÓ ò ˆØ˜qš&�h¬¨
°!°A°3Ð&7ˆð	Ü˜a“=ˆDô ˜4Ó ˆØˆØò 	ˆBØ�%‰y Ò$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@VðXô	Y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Ë3LÌLÌL(Ì+	MÌ4MÍMÚ__main__é   z--pages=r   z--pages=(\d+)z--json)rÅ   rÆ   )r   N),Ú__doc__r   Úsysrš   r¼   r·   r¾   r%   r   r   Úbs4r   Úurllib.parser   r   rI   r#   ÚDOMAINÚGROUPÚnowÚstrftimer´   Úenvironr&   r   r'   r   r   r.   r0   rT   rp   rh   rÒ   Ú__name__ÚargvÚargsrÅ   rÆ   r¡   ÚintrB   rF   Úindexrx   r   r   ú<module>rã      s=  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à0€	Ø&€ØI€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'òRGIóT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   