Ë
    P¦~j«*  ã                   óN  — 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!d„Zd„ Zd„ Zd„ Zd"d„Z e!dk(  rƒejD                  dd Z#dZ$dZ%ddjM                  e#«      v r7 e' ejP                  ddjM                  e#«      «      jS                  d«      «      Z$de#v re#e#jU                  d«      dz      Z% e e$e%¬ «       yy)#u¹  
å¤§è¿žé•¿å…´å²›ç»�æµŽæŠ€æœ¯å¼€å�‘åŒº - é€šçŸ¥å…¬å‘Š (ccxi.gov.cn/zwgk/fdzdgknr/tzgg.htm = common_list.jsp?wbtreeid=1028)
CMS: æ¸…å�Žç´«å…‰ vsb (info/æ �ç›®ID/æ–‡ç« ID.htm, PAGENUM=N åˆ†é¡µ)
åˆ—è¡¨: a[href=.../info/1028/ID.htm]
åˆ†é¡µ: common_list.jsp?urltype=tree.TreeTempUrl&wbtreeid=1028&PAGENUM=N
è¯¦æƒ…: æ­£æ–‡ .vsbcontent_start ~ .vsbcontent_end, æ ‡é¢˜ .solutionTitle
ç”¨æ³•: python3 crawl_ccxi_tzgg.py [--pages=N] [--json out.jsonl]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu1   å¤§è¿žé•¿å…´å²›ç»�æµŽæŠ€æœ¯å¼€å�‘åŒº-é€šçŸ¥å…¬å‘Šzhttp://www.ccxi.gov.cnzMhttp://www.ccxi.gov.cn/common_list.jsp?urltype=tree.TreeTempUrl&wbtreeid=1028zwww.ccxi.gov.cnu   è¾½å®�iG  )Údaysz%Y-%m-%dÚDB_PATHz/root/search.dbz
User-AgentzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36c                 ó2   — t        dt        › d| › �d¬«       y )Nú[z] T)Úflush)ÚprintÚ	SITE_NAME)Úmsgs    ú$/root/gov_crawler/crawl_ccxi_tzgg.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€¦$)ÚreÚsubÚstrip)Úts    r   Úclean_titler      sK   € Ü
�‰Ð-¨r°1²7¸Ó;€AÜ
�‰ˆv�s˜AÓ€AÜ
�‰ˆ~˜r 1Ó%×+Ñ+Ó-€AØ€Hr   c                 ó`   — t        j                  | t        |¬«      }d|_        |j                  S )N)ÚheadersÚtimeoutúutf-8)ÚrequestsÚgetÚHEADERSÚencodingÚtext)Úurlr   Úrs      r   Úfetchr%   %   s$   € Ü�‰�S¤'°7Ô;€AØ€A„JØ�6‰6€Mr   c                 ó´  — t        | d«      }g }|j                  dd¬«      D ]ó  }|j                  dd«      }d|vsd|vrŒt        |j                  d	d«      xs |j	                  d¬
«      «      }|sŒPd}|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«       Œõ t        «       }	g }
|D ]/  }|d   |	vsŒ|	j                  |d   «       |
j                  |«       Œ1 |
S )Núhtml.parserÚaT©Úhrefr*   r   z/info/z.htmÚtitle©r   ÚliÚdivõ#   20\d{2}[-/å¹´]\d{1,2}[-/æœˆ]\d{1,2}r   õ   å¹´ú-õ   æœˆú/é
   )r+   r#   Úpub_dater#   )r   Úfind_allr   r   Úget_textÚfind_parentr   ÚsearchÚgroupÚreplaceÚappendr   ÚBASE_URLÚsetÚadd)ÚhtmlÚsoupÚitemsr(   r*   r+   r5   ÚparentÚmÚseenÚuniqÚits               r   Ú
parse_listrH   +   sX  € Ü˜˜}Ó-€DØ€EØ�]‰]˜3 Tˆ]Ó*ò ]ˆØ�u‰u�V˜RÓ ˆØ˜4Ñ 6°Ñ#5ØÜ˜AŸE™E '¨2Ó.ÒH°!·*±*À4°*Ó2HÓIˆÙ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                 ó
  — ddddœ}t        | d«      }|j                  dd¬«      }|rt        |j                  d¬«      «      |d	<   |d	   sO|j                  d	«      }|r<|j                  d¬«      }t	        j
                  d
d|«      }|j                  «       |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}| j                  d«      }	|	dkD  ra| j                  d|	«      }
|
dk  r| j                  d|	«      }
|
dk  r| j                  d|	«      }
|
dk  r| j                  d|	«      }
|
|	kD  r| |	|
 }|s!|j                  dd„ ¬«      }|rt        |«      }|s!|j                  dd„ ¬ «      }|rt        |«      }|rt        |«      |d<   |S )!Nr   ©r+   Úpublish_dateÚcontentr'   r.   ÚsolutionTitle)Úclass_Tr,   r+   u3   [_\-â€”]\s*å¤§è¿žé•¿å…´å²›ç»�æµŽæŠ€æœ¯å¼€å�‘åŒº\s*$ÚmetaÚnameÚPubDate)ÚattrsrL   r4   rK   r/   i@  r   r0   r1   r2   r3   zclass="vsbcontent_start"zclass="vsbcontent_end"zclass="shou_prev"zclass="shou_next"z</form>c                 ó   — | xr d| xs dv S )NÚ
vsbcontentr   © )Úcs    r   ú<lambda>zparse_detail.<locals>.<lambda>f   s   € ¸Ò8W¸lÈqÊwÐTVÐ>W€ r   c                 ó,   — | xr | j                  d«      S )NÚvsb_content)Ú
startswith)Úvs    r   rW   zparse_detail.<locals>.<lambda>k   s   € °AÒ4U¸!¿,¹,À}Ó:U€ r   )Úid)r   Úfindr   r7   r   r   r   r   r9   r:   r;   ÚstrÚextract_clean_text)r@   ÚresultrA   Ú	title_divÚ	title_tagr   Ú	meta_daterD   Úcontent_htmlÚstartÚendÚcontent_divs               r   Úparse_detailrh   E   s  € Ø¨2¸"Ñ=€FÜ˜˜}Ó-€DØ—	‘	˜%¨�	Ó8€IÙÜ% i×&8Ñ&8¸tÐ&8Ó&DÓEˆˆw‰Ø�'Š?Ø—I‘I˜gÓ&ˆ	ÙØ×"Ñ"¨Ð"Ó.ˆAÜ—‘ÐMÈrÐSTÓUˆAØŸg™g›iˆF�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"à€LØ�I‰IÐ0Ó1€EØˆq‚yØ�i‰iÐ0°%Ó8ˆØ�Š7Ø—)‘)Ð/°Ó7ˆCØ�Š7Ø—)‘)Ð/°Ó7ˆCØ�Š7Ø—)‘)˜I uÓ-ˆCØ�Š;Ø  c˜?ˆLÙØ—i‘i Ñ.W�iÓXˆÙÜ˜{Ó+ˆLáØ—i‘i Ñ*U�iÓVˆÙÜ˜{Ó+ˆLÙÜ.¨|Ó<ˆˆyÑØ€Mr   c           	      óÂ	  ‡— | 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; |j                  d	d
¬«      D ]Ë  }|j                  dd«      j                  «       }|j                  d
¬«      xs5 t        j                  j                  |j                  d«      d   «      xs d}|r|j                  d«      r|j                  «        Œ�t        t        |«      }|j                  d	|d¬«      }||_        |j#                  |«       ŒÍ |j                  g d¢«      D ]  }|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                  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)                  t1        |«      «       Œ.|j.                  dk(  sŒ>|j'                  d«      rŒPg }|j2                  D ]²  }t5        |dd«      }|dk(  rB|j                  dd«      Št	        ˆfd„dD «       «      rŒ<|j)                  t1        |«      «       ŒW|dv r|j)                  t1        |«      «       Œv|r|j)                  t1        |«      «       Œ“|j)                   |t1        |«      «      «       Œ´ dj7                  |«      j                  «       }|s�Œ6|j)                  d |› d!�«       �ŒM t9        «       }|	D ]7  \  }}||f}||v rŒ|j;                  |«       |j)                  d"|› d#|› d$�«       Œ9 |rd%j7                  |«      S  || «      j                  «       S )&uÛ   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€‚
    ç¦�æ­¢æ··å�ˆæ ¼å¼�ï¼ˆçº¯æ–‡æœ¬ + åŽŸå§‹ HTML ä¼šè§¦å�‘ search_app HTML åˆ†æ”¯å¯¼è‡´æ�¢è¡ŒæŠ˜å� ï¼‰ã€‚r   r'   ÚscriptÚstyleÚimgÚsrcc              3   ó&   •K  — | ]  }|‰v –— Œ
 y ­w©NrU   ©Ú.0ÚkÚsrc0s     €r   ú	<genexpr>z%extract_clean_text.<locals>.<genexpr>~   s   øè ø€ Òa˜Qˆq�DŒyÑaùs   ƒ)z
un-collectÚcollectÚshareÚfaviconÚqrcodeÚewmr(   Tr)   r*   r,   ú?r   u   é™„ä»¶)zjavascript:ú#Ú_blank)r*   Útarget)ÚspanÚbÚstrongÚfontÚemÚiÚuÚsr-   Útabler.   Úp)rl   r†   r(   )ÚescaperP   Nc              3   óB   •K  — | ]  }|‰j                  «       v –— Œ y ­wro   )Úlowerrp   s     €r   rt   z%extract_clean_text.<locals>.<genexpr>ª   s   øè ø€ Ò[°˜1 §
¡
£Ô,Ñ[ùs   ƒ)z.gifÚicon16ÚfileÚattach)r(   r†   Úbrz<p>z</p>z<p><a href="z" target="_blank">z</a></p>z

)r   r6   Ú	decomposer   Úanyr   r7   ÚosÚpathÚbasenameÚsplitrZ   Úunwrapr   r=   Únew_tagÚstringÚreplace_withr]   r8   r<   r@   rˆ   rP   r^   ÚcontentsÚgetattrÚjoinr>   r?   )rd   rA   Útagrl   Úa_tagr*   r"   Úfull_urlÚnew_aÚattach_linksr-   Úa_inrˆ   ÚpartsÚelÚinnerrV   rP   r   Úseen_ar#   Úkeyrs   s                         @r   r_   r_   s   s?  ø€ ñ ØÜ˜ }Ó5€DØ�}‰}˜h¨Ð0Ó1ò ˆØ�‰�ðð �}‰}˜UÓ#ò ˆØ�w‰w�u˜bÓ!ˆÜÓaÐ"`ÔaÕaØ�M‰M�Oðð
 —‘˜s¨�Ó.ò 	"ˆØ�y‰y˜ Ó$×*Ñ*Ó,ˆØ�~‰~ Dˆ~Ó)Ò]¬R¯W©W×-=Ñ-=¸d¿j¹jÈ»oÈaÑ>PÓ-QÒ]ÐU]ˆÙ�t—‘Ð';Ô<Ø�L‰LŒNØÜœ8 TÓ*ˆØ—‘˜S x¸�ÓAˆØˆŒØ×Ñ˜5Õ!ð	"ð �}‰}ÒQÓRò ˆØ�
‰
�ðð €LØ�m‰m˜DÓ!ò EˆØ�w‰w�s ˆwÓ&ˆÚ˜Ÿ™ wÕ/Ø—8‘8˜F BÓ'×-Ñ-Ó/ˆDØ—=‘= t�=Ó,Ò`´·±×0@Ñ0@ÀÇÁÈCÃÐQRÑASÓ0TÒ`ÐX`ˆDÚ˜DŸO™OÐ,@ÕAØ×#Ñ# T¬7´8¸TÓ+BÐ$CÕDðEð �m‰m˜DÓ!ò ˆØ�7‰7�3˜Tˆ7Õ"¨2¯>©>¸'Õ+BØ�L‰L�Nðð �}‰}˜e S˜\Ó*ò ˆØ�|‰| $ˆ|Õ'°·±Ò9NÕ0OØ�M‰M�Oðõ Ø€EØ�m‰m˜W c˜NÓ+ó ,ˆØ�7‰7�gÒØ�L‰Lœ˜R›Õ!Ø�W‰W˜‹^ B§N¡N°7Õ$;àˆEØ—[‘[ò 1�Ü˜q &¨$Ó/�Ø˜5’=ØŸ5™5 ¨Ó+�DÜÓ[Ð6ZÔ[Ô[Ø Ø—L‘L¤ Q£Õ(ØÐ1Ñ1Ø—L‘L¤ Q£Õ(ÙØ—L‘L¤ Q£Õ(à—L‘L¡¬¨A«£Õ0ð1ð —‘˜“×$Ñ$Ó&ˆAÛØ—‘˜s 1 # T˜]Ö+ð+,ô. ‹U€FØ!ò K‰	ˆˆcØ�SˆkˆØ�&‰=ØØ�
‰
�3ŒØ�‰�| C 5Ð(:¸4¸&ÀÐIÕJðKñ "'ˆ6�;‰;�uÓÐH©F°<Ó,@×,FÑ,FÓ,HÐHr   é   c                 óª  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]¬  }|dk(  rt        n
t        › d|› �}	 t        |«      }t        |«      }d}	|D ]4  }
|
d   |vsŒ|j                  |
d   «       |j                  |
«       |	dz  }	Œ6 t        d|› d	t        |«      › d
|	› dt        |«      › �«       |s nt        j                  d«       Œ® g }t        |d«      D ]ž  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d   «      }t        |«      }|j                  |d   xs |
d   |
d   |d   xs |
d   |d   t        ddœ«       |dz  dk(  rt        d|› dt        |«      › �«       t        j                  d«       Œ  |rct!        |dd¬«      5 }|D ]+  }|j#                  t%        j&                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t        |«      › d"|› �«       y t)        j*                  t,        «      }|j/                  d#«       |j1                  «       }dx}}|D ]W  }	 |j/                  d$|d%   |d&   |d&   |d   |d   |d   |d   xs dd d' |d(   d)f	«       |j2                  dkD  r|dz  }n|dz  }ŒY |j5                  «        |j7                  «        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        $ r}t        d*|› �«       |dz  }Y d }~�Œd }~ww xY w).NzCrawl pages=z cutoff=r§   z	&PAGENUM=ÚPz ERR: r   r#   z: z items (z new), total gš™™™™™é?r5   z	  detail iØÿÿÿr   rJ   r+   rK   rL   u   é€šçŸ¥å…¬å‘Š)r+   Úpage_urlrK   rL   Ú	site_nameÚcolumnr4   z  r3   gš™™™™™Ù?Úwr   )r!   F)Úensure_asciiú
zJSONL: z
 items -> zPRAGMA busy_timeout=10000z˜INSERT OR IGNORE INTO gov_raw (site_name, source_url, page_url, title, publish_date, content, summary, category, script_name) VALUES (?,?,?,?,?,?,?,?,?)r«   rª   iô  r¬   zcrawl_ccxi_tzgg.pyz
DB error: zResult: z new, z skipped)r   ÚCUTOFFr>   ÚrangeÚLIST_URLr%   Ú	ExceptionrH   r?   r<   ÚlenÚtimeÚsleepÚ	enumeraterh   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allrE   r‡   r#   r@   ÚerB   ÚnewrG   ÚenrichedÚidxÚdetailÚfÚitemÚconnrV   ÚstoredÚskippeds                       r   ÚcrawlrÐ   Á   s»  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€DÜ�1�e˜a‘iÓ ò ˆØ˜qš&�h¬¨
°)¸A¸3Ð&?ˆð	Ü˜“:ˆDô ˜4Ó ˆØˆØò 	ˆBØ�%‰y Ò$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˜˜E™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@TðVô	W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)rÃ   rÄ   )é   )r§   N)+Ú__doc__r   Úsysr‘   rº   rµ   r¼   r   r   r   Úbs4r   Úurllib.parser   r   r=   r²   ÚDOMAINÚGROUPÚnowÚstrftimer°   Úenvironr   r   r    r   r   r%   rH   rh   r_   rÐ   Ú__name__ÚargvÚargsrÃ   rÄ   r›   Úintr9   r:   ÚindexrU   r   r   ú<module>râ      s8  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à?€	Ø#€ØZ€Ø	€Ø€Ø
ˆ(�,‰,‹.™9¨%Ô0Ñ
0×	:Ñ	:¸:Ó	F€Ø
�*‰*�.‰.˜Ð$5Ó
6€Øð  Kð  L€ò.òóòò4+ò\KI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   