Ë
    P¦~j)'  ã                   óV  — 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#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$jW                  d «      dz      Z& e!e%e&¬!«       yy)%uF  
èµ¤å£�å¸‚äººæ°‘æ”¿åºœ - ç”Ÿæ€�çŽ¯å¢ƒå±€ å…¬ç¤ºå…¬å‘Š (chibi.gov.cn/bmlb/hbj/gsgg)
CMS: TRS æ¹–åŒ— (index_N.shtml, è¯¦æƒ… tYYYYMMDD_ID.shtml)
åˆ—è¡¨: a[href=.../YYYYMM/tYYYYMMDD_ID.shtml] title
åˆ†é¡µ: index_2.shtml ...
è¯¦æƒ…: æ­£æ–‡ .TRS_UEDITOR / #content
ç”¨æ³•: python3 crawl_chibi_gsgg.py [--pages=N] [--json out.jsonl]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu%   èµ¤å£�å¸‚ç”Ÿæ€�çŽ¯å¢ƒå±€-å…¬ç¤ºå…¬å‘Šzhttp://www.chibi.gov.cnz&http://www.chibi.gov.cn/bmlb/hbj/gsgg/zwww.chibi.gov.cnu   æ¹–åŒ—iG  )Údaysz%Y-%m-%dÚDB_PATHz/root/search.dbz
User-AgentzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36c                 ó2   — t        dt        › d| › �d¬«       y )Nú[z] T)Úflush)ÚprintÚ	SITE_NAME)Úmsgs    ú%/root/gov_crawler/crawl_chibi_gsgg.pyÚlogr      s   € Ü	ˆAŒiˆ[˜˜3˜%Ð
 ¨Ö-ó    c                 ó´   — t        j                  dd| xs d«      } t        j                  dd| «      } t        j                  dd| «      j                  «       } | S )Nz&nbsp;|&#160;|\u200b|\ufeffÚ z\s+ú u   \.\.\.|â€¦$)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$   € Ü�‰�S¤'°7Ô;€AØ€A„JØ�6‰6€Mr   c                 ó¾   — t        |«      D ]  }	 t        | |¬«      c S  t        d«      ‚# t        $ r(}||dz
  k(  r‚ t        j                  d«       Y d}~ŒKd}~ww xY w)u&   å¤§é¡µé�¢(>500KB)å�¯èƒ½è¶…æ—¶ï¼Œé‡�è¯•)r   é   é   NÚunreachable)Úranger%   Ú	ExceptionÚtimeÚsleepÚRuntimeError)r#   Útriesr   ÚiÚes        r   Úfetch_retryr2   +   sa   € ä�5‹\ò ˆð	Ü˜ gÔ.Ò.ðô �}Ó
%Ð%øô	 ò 	Ø�E˜A‘IŠ~ØÜ�J‰J�q�M‰Mûð	ús   �+«	A´AÁAc                 óN  — t        | d«      }g }|j                  dd¬«      D ]À  }|j                  dd«      }d|vsd|vrŒt        |j                  d	d«      xs |j	                  d¬
«      «      }|sŒPd}|j                  ddg«      }|r7t        j                  d|j	                  «       «      }|r|j                  d«      }|j                  |t        t        |«      |dœ«       ŒÂ t        «       }	g }
|D ]/  }|d   |	vsŒ|	j                  |d   «       |
j                  |«       Œ1 |
S )Núhtml.parserÚaT©Úhrefr7   r   Út20ú.shtmlÚtitle©r   ÚliÚdivú20\d{2}-\d{2}-\d{2}r   )r:   r#   Úpub_dater#   )r   Úfind_allr   r   Úget_textÚfind_parentr   ÚsearchÚgroupÚappendr   ÚBASE_URLÚsetÚadd)ÚhtmlÚsoupÚitemsr5   r7   r:   r?   ÚparentÚmÚseenÚuniqÚits               r   Ú
parse_listrQ   7   s&  € Ü˜˜}Ó-€DØ€EØ�]‰]˜3 Tˆ]Ó*ò ]ˆØ�u‰u�V˜RÓ ˆØ˜Ñ °Ñ 4ØÜ˜AŸE™E '¨2Ó.ÒH°!·*±*À4°*Ó2HÓIˆÙØØˆØ—‘  e˜}Ó-ˆÙÜ—	‘	Ð0°&·/±/Ó2CÓDˆAÙØŸ7™7 1›:�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                 óH  — ddddœ}t        | d«      }|j                  d«      }|rS|j                  d¬«      }t        j                  dd|«      }t        j                  dd|«      }|j                  «       |d<   |j                  d	d
di¬«      }|r|j                  d«      r|d   d d |d<   |d   s/t        j                  d| d d «      }|r|j                  d«      |d<   |j                  dd„ ¬«      }|s|j                  dd¬«      }|rt        t        |«      «      |d<   |S )Nr   ©r:   Úpublish_dateÚcontentr4   r:   Tr;   u]   \s*[-â€”]\s*(å…¬ç¤ºå…¬å‘Š|æ”¿åŠ¡å…¬å¼€|èµ¤å£�å¸‚äººæ°‘æ”¿åºœé—¨æˆ·ç½‘|èµ¤å£�å¸‚æ”¿åºœç½‘)\s*$u.   \s*[-â€”]\s*èµ¤å£�å¸‚äººæ°‘æ”¿åºœé—¨æˆ·ç½‘\s*$ÚmetaÚnameÚPubDate)ÚattrsrU   é
   rT   r>   i@  r   r=   c                 ó   — | xr d| xs dv S )NÚTRS_UEDITORr   © )Úcs    r   ú<lambda>zparse_detail.<locals>.<lambda>a   s   € °AÒ4T¸-ÈAÊGÐQSÐ:T€ r   )Úclass_)Úid)r   ÚfindrA   r   r   r   r   rC   rD   Úextract_clean_textÚstr)rI   ÚresultrJ   Ú	title_tagr   Ú	meta_daterM   Úcontent_divs           r   Úparse_detailri   Q   s(  € Ø¨2¸"Ñ=€FÜ˜˜}Ó-€DØ—	‘	˜'Ó"€IÙØ×Ñ TÐÓ*ˆÜ�F‰FÐsÐuwÐyzÓ{ˆÜ�F‰FÐDÀbÈ!ÓLˆØŸ'™'›)ˆˆw‰Ø—	‘	˜&¨°Ð(;�	Ó<€IÙ�Y—]‘] 9Ô-Ø!*¨9Ñ!5°c°rÐ!:ˆˆ~ÑØ�.Ò!Ü�I‰IÐ,¨d°5°D¨kÓ:ˆÙØ%&§W¡W¨Q£ZˆF�>Ñ"Ø—)‘)˜EÑ*T�)ÓU€KÙØ—i‘i ¨)�iÓ4ˆÙÜ.¬s°;Ó/?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   r4   ÚscriptÚstyleÚimgÚsrcc              3   ó&   •K  — | ]  }|‰v –— Œ
 y ­w©Nr]   ©Ú.0ÚkÚsrc0s     €r   ú	<genexpr>z%extract_clean_text.<locals>.<genexpr>t   s   øè ø€ Òa˜Qˆq�DŒyÑaùs   ƒ)z
un-collectÚcollectÚshareÚfaviconÚqrcodeÚewmr5   Tr6   r7   r;   ú?r   u   é™„ä»¶)zjavascript:ú#Ú_blank)r7   Útarget)ÚspanÚbÚstrongÚfontÚemr0   ÚuÚsr<   Útabler=   Úp)rm   r†   r5   )ÚescaperW   Nc              3   óB   •K  — | ]  }|‰j                  «       v –— Œ y ­wrp   )Úlowerrq   s     €r   ru   z%extract_clean_text.<locals>.<genexpr>    s   øè ø€ Ò[°˜1 §
¡
£Ô,Ñ[ùs   ƒ)z.gifÚicon16ÚfileÚattach)r5   r†   Úbrz<p>z</p>z<p><a href="z" target="_blank">z</a></p>z

)r   r@   Ú	decomposer   Úanyr   rA   ÚosÚpathÚbasenameÚsplitÚ
startswithÚunwrapr   rF   Únew_tagÚstringÚreplace_withrb   rB   rE   rI   rˆ   rW   rd   ÚcontentsÚgetattrÚjoinrG   rH   )Úcontent_htmlrJ   Útagrm   Úa_tagr7   r"   Úfull_urlÚnew_aÚattach_linksr<   Úa_inrˆ   ÚpartsÚelÚinnerr^   rW   r   Úseen_ar#   Úkeyrt   s                         @r   rc   rc   i   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$Ó&ˆAÛØ—‘˜s 1 # T˜]Ö+ð+,ô. ‹U€FØ!ò K‰	ˆˆcØ�SˆkˆØ�&‰=ØØ�
‰
�3ŒØ�‰�| C 5Ð(:¸4¸&ÀÐIÕJðKñ "'ˆ6�;‰;�uÓÐH©F°<Ó,@×,FÑ,FÓ,HÐHr   r'   c                 óÌ  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]½  }|dk(  rt        nt        j                  d«      d|› d�z   }	 t        |«      }t        |«      }d	}	|D ]4  }
|
d
   |vsŒ|j                  |
d
   «       |j                  |
«       |	dz  }	Œ6 t        d|› dt        |«      › d|	› dt        |«      › �«       |s nt        j                  d«       Œ¿ g }t        |d«      D ]ž  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d
   «      }t!        |«      }|j                  |d   xs |
d   |
d
   |d   xs |
d   |d   t"        ddœ«       |dz  d	k(  rt        d|› dt        |«      › �«       t        j                  d«       Œ  |rct%        |dd¬«      5 }|D ]+  }|j'                  t)        j*                  |d¬ «      d!z   «       Œ- 	 d d d «       t        d"t        |«      › d#|› �«       y t-        j.                  t0        «      }|j3                  d$«       |j5                  «       }d	x}}|D ]W  }	 |j3                  d%|d&   |d'   |d'   |d   |d   |d   |d   xs dd d( |d)   d*f	«       |j6                  d	kD  r|dz  }n|dz  }ŒY |j9                  «        |j;                  «        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        $ r}t        d+|› �«       |dz  }Y d }~�Œd }~ww xY w)/NzCrawl pages=z cutoff=r'   ú/z/index_r9   ÚPz ERR: r   r#   z: z items (z new), total gš™™™™™é?r?   z	  detail iØÿÿÿr   rS   r:   rT   rU   u   å…¬ç¤ºå…¬å‘Š)r:   Úpage_urlrT   rU   Ú	site_nameÚcolumnrZ   z  gš™™™™™Ù?Úwr   )r!   F)Úensure_asciiú
zJSONL: z
 items -> zPRAGMA busy_timeout=10000z˜INSERT OR IGNORE INTO gov_raw (site_name, source_url, page_url, title, publish_date, content, summary, category, script_name) VALUES (?,?,?,?,?,?,?,?,?)r­   r¬   iô  r®   zcrawl_chibi_gsgg.pyz
DB error: zResult: z new, z skipped)r   ÚCUTOFFrG   r*   ÚLIST_URLÚrstripr%   r+   rQ   rH   rE   Úlenr,   r-   Ú	enumerater2   ri   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allrN   r‡   r#   rI   r1   rK   ÚnewrP   ÚenrichedÚidxÚdetailÚfÚitemÚconnr^   ÚstoredÚskippeds                       r   ÚcrawlrÎ   ·   sÇ  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€DÜ�1�e˜a‘iÓ ò ˆØ˜qš&�h¤h§o¡o°cÓ&:¸wÀqÀcÈÐ=PÑ&Pˆð	Ü˜“:ˆDô ˜4Ó ˆØˆØò 	ˆBØ�%‰y Ò$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˜r %™yÓ)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@UðWô	X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;Æ01L/É	AL<Ë	K8ËK3Ë3K8Ë;	L,ÌL'Ì'L,Ì/L9Ì<	M#ÍMÍM#Ú__main__é   z--pages=r   z--pages=(\d+)z--json)rÂ   rÃ   )é   )é   é<   )r'   N),Ú__doc__r   Úsysr‘   r¹   r,   r»   r   r   r   Úbs4r   Úurllib.parser   r   rF   r³   ÚDOMAINÚGROUPÚnowÚstrftimer²   Úenvironr   r   r    r   r   r%   r2   rQ   ri   rc   rÎ   Ú__name__ÚargvÚargsrÂ   rÃ   rœ   ÚintrC   rD   Úindexr]   r   r   ú<module>râ      s<  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à3€	Ø$€Ø3€Ø	€Ø€Ø
ˆ(�,‰,‹.™9¨%Ô0Ñ
0×	:Ñ	:¸:Ó	F€Ø
�*‰*�.‰.˜Ð$5Ó
6€Øð  Kð  L€ò.òóó	&òò4ò0K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   