Ë
    P¦~j²*  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$e%¬ «       yy)#un  
é™‡è¥¿åŽ¿äººæ°‘æ”¿åºœ - å…¬ç¤ºå…¬å‘Š (cnlongxi.gov.cn/col/col14863)
CMS: Hanweb JCMS (é¦–å±�ç›´æ¸²æŸ“ ~38 æ�¡, è¯¦æƒ… art_14863_N.html)
åˆ—è¡¨: a[href=/art/YYYY/M/D/art_14863_ID.html] title
åˆ†é¡µ: é¦–å±�å·²å�«å¤šé¡µæ•°æ�®ï¼ˆè‹¥ä¸�è¶³ç”¨ dataproxy.jspï¼‰
è¯¦æƒ…: æ­£æ–‡ .article-content / #zoom
ç”¨æ³•: python3 crawl_cnlongxi_gggs.py [--pages=N] [--json out.jsonl]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu"   é™‡è¥¿åŽ¿äººæ°‘æ”¿åºœ-å…¬ç¤ºå…¬å‘Šzhttp://www.cnlongxi.gov.cnz2http://www.cnlongxi.gov.cn/col/col14863/index.htmlzwww.cnlongxi.gov.cnu   ç”˜è‚ƒiG  )Údaysz%Y-%m-%dÚDB_PATHz/root/search.dbz
User-AgentzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36c                 ó2   — t        dt        › d| › �d¬«       y )Nú[z] T)Úflush)ÚprintÚ	SITE_NAME)Úmsgs    ú(/root/gov_crawler/crawl_cnlongxi_gggs.pyÚlogr      s   € Ü	ˆAŒiˆ[˜˜3˜%Ð
 ¨Ö-ó    c                 ó´   — t        j                  dd| xs d«      } t        j                  dd| «      } t        j                  dd| «      j                  «       } | S )Nz&nbsp;|&#160;|\u200b|\ufeffÚ z\s+ú u   \.\.\.|â€¦$)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$   € Ü�‰�S¤'°7Ô;€AØ€A„JØ�6‰6€Mr   c                 óØ  — g }t        j                  d| t         j                  «      D ]ˆ  }|j                  «       \  }}}}t	        |xs t        j
                  dd|«      «      }|rd|vrŒC|j                  «       j                  dd«      d d }|j                  |t        t        |«      |dœ«       ŒŠ |sõt        | d	«      }	|	j                  d
d¬«      D ]Ó  }
|
j                  dd«      }d|vsd|vrŒt	        |
j                  dd«      xs |
j                  d¬«      «      }|sŒPd}|
j                  ddg«      }|rJt        j                   d|j                  «       «      }|r$|j#                  d«      j                  dd«      d d }|j                  |t        t        |«      |dœ«       ŒÕ t%        «       }g }|D ]/  }|d   |vsŒ|j'                  |d   «       |j                  |«       Œ1 |S )Nzc<li[^>]*>\s*<a[^>]+href=\"([^\"]+)\"[^>]*title=\"([^\"]*)\"[^>]*>(.*?)</a>\s*<b>([^<]*)</b>\s*</li>z<[^>]+>r   Ú
art_14863_ú/ú-é
   )Útitler#   Úpub_dateúhtml.parserÚaT©Úhrefr0   z/art/r+   ©r   ÚliÚdivú20\d{2}[-/]\d{1,2}[-/]\d{1,2}r   r#   )r   ÚfinditerÚSÚgroupsr   r   r   ÚreplaceÚappendr   ÚBASE_URLr   Úfind_allr   Úget_textÚfind_parentÚsearchÚgroupÚsetÚadd)ÚhtmlÚitemsÚmr0   Ú
title_attrÚanchor_textÚdate_txtr+   r,   Úsoupr.   ÚparentÚseenÚuniqÚits                  r   Ú
parse_listrM   +   só  € ð €EÜ�[‰[Ðð  BFô  HJ÷  HLñ  HLó  Mò ]ˆØ23·(±(³*Ñ/ˆˆj˜+ xÜ˜JÒM¬"¯&©&°¸RÀÓ*MÓNˆÙ˜¨DÑ0ØØ—>‘>Ó#×+Ñ+¨C°Ó5°c°rÐ:ˆØ�‰˜u¬W´X¸tÓ-DÐRZÑ[Õ\ð]ñ Ü˜T =Ó1ˆØ—‘˜s¨�Ó.ò 	aˆAØ—5‘5˜ Ó$ˆDØ˜dÑ" l¸$Ñ&>ØÜ §¡ g¨rÓ 2Ò L°a·j±jÀt°jÓ6LÓMˆEÙØØˆHØ—]‘] D¨% =Ó1ˆFÙÜ—I‘IÐ>ÀÇÁÓ@QÓR�ÙØ Ÿw™w q›z×1Ñ1°#°sÓ;¸C¸RÐ@�HØ�L‰L 5´¼À4Ó1HÐV^Ñ_Õ`ð	aô ‹5€DØ€DØò ˆØˆe‰9˜DÒ Ø�H‰H�R˜‘YÔØ�K‰K˜�Oðð €Kr   c                 óš  — ddddœ}t        | d«      }|j                  d«      }|rj|j                  d¬«      }t        j                  d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   sBt        j                  d| d d «      }|r'|j                  d«      j                  dd«      d d |d<   |j                  dd¬«      }|s|j                  dd¬«      }|rt        t        |«      «      |d<   |S )Nr   ©r+   Úpublish_dateÚcontentr-   r+   Tr1   u(   ^é™‡è¥¿åŽ¿äººæ°‘æ”¿åºœ\s*å…¬ç¤ºå…¬å‘Š\s*u3   [_\-â€”]\s*(å…¬ç¤ºå…¬å‘Š|é™‡è¥¿åŽ¿äººæ°‘æ”¿åºœ)\s*$u$   [_\-â€”]\s*é™‡è¥¿åŽ¿äººæ°‘æ”¿åºœ\s*$ÚmetaÚnameÚPubDate)ÚattrsrQ   r*   rP   r4   i@  r   r(   r)   r3   zarticle-content)Úclass_Úzoom)Úid)r   Úfindr<   r   r   r   r   r>   r?   r8   Úextract_clean_textÚstr)rB   ÚresultrH   Ú	title_tagr   Ú	meta_daterD   Úcontent_divs           r   Úparse_detailr`   P   sM  € Ø¨2¸"Ñ=€FÜ˜˜}Ó-€DØ—	‘	˜'Ó"€IÙØ×Ñ TÐÓ*ˆä�F‰FÐ>ÀÀAÓFˆÜ�F‰FÐIÈ2ÈqÓQˆÜ�F‰FÐ:¸BÀÓBˆØŸ'™'›)ˆˆw‰Ø—	‘	˜&¨°Ð(;�	Ó<€IÙ�Y—]‘] 9Ô-Ø!*¨9Ñ!5°c°rÐ!:ˆˆ~ÑØ�.Ò!Ü�I‰IÐ6¸¸U¸d¸ÓDˆÙØ%&§W¡W¨Q£Z×%7Ñ%7¸¸SÓ%AÀ#À2Ð%FˆF�>Ñ"Ø—)‘)˜EÐ*;�)Ó<€KÙØ—i‘i ¨&�iÓ1ˆ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   r-   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>u   s   øè ø€ Òa˜Qˆq�DŒyÑaùs   ƒ)z
un-collectÚcollectÚshareÚfaviconÚqrcodeÚewmr.   Tr/   r0   r1   ú?r   u   é™„ä»¶)zjavascript:ú#Ú_blank)r0   Útarget)ÚspanÚbÚstrongÚfontÚemÚiÚuÚsr2   Útabler3   Úp)rd   r   r.   )ÚescaperS   Nc              3   óB   •K  — | ]  }|‰j                  «       v –— Œ y ­wrg   )Úlowerri   s     €r   rm   z%extract_clean_text.<locals>.<genexpr>¡   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   r;   Ú	decomposer   Úanyr   r<   ÚosÚpathÚbasenameÚsplitÚ
startswithÚunwrapr   r:   Únew_tagÚstringÚreplace_withrY   r=   r9   rB   r�   rS   r[   ÚcontentsÚgetattrÚjoinr@   rA   )Úcontent_htmlrH   Útagrd   Úa_tagr0   r"   Úfull_urlÚnew_aÚattach_linksr2   Úa_inr�   ÚpartsÚelÚinnerÚcrS   r   Úseen_ar#   Úkeyrl   s                         @r   rZ   rZ   j   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$Ó&ˆAÛØ—‘˜s 1 # T˜]Ö+ð+,ô. ‹U€FØ!ò K‰	ˆˆcØ�SˆkˆØ�&‰=ØØ�
‰
�3ŒØ�‰�| C 5Ð(:¸4¸&ÀÐIÕJðKñ "'ˆ6�;‰;�uÓÐH©F°<Ó,@×,FÑ,FÓ,HÐHr   é   c                 óò  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]Ð  }|dk(  rt        }nt        j                  dd|› d�t        «      }	 t        |«      }t        |«      }d	}	|D ]4  }
|
d
   |vsŒ|j                  |
d
   «       |j                  |
«       |	dz  }	Œ6 t        d|› dt        |«      › d|	› dt        |«      › �«       |st        d|› d�«        nt        j                  d«       ŒÒ g }t        |d«      D ]ž  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d
   «      }t!        |«      }|j                  |d   xs |
d   |
d
   |d   xs |
d   |d   t"        ddœ«       |dz  d	k(  rt        d|› dt        |«      › �«       t        j                  d«       Œ  |rct%        |dd¬ «      5 }|D ]+  }|j'                  t)        j*                  |d!¬"«      d#z   «       Œ- 	 d d d «       t        d$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/|› d0�«       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        $ r}t        d-|› �«       |dz  }Y d }~�Œd }~ww xY w)1NzCrawl pages=z cutoff=r£   zindex\.html$Úindex_z.htmlÚPz ERR: r   r#   z: z items (z new), total z empty (try dataproxy next)gš™™™™™é?r,   z	  detail iØÿÿÿr   rO   r+   rP   rQ   u   å…¬ç¤ºå…¬å‘Š)r+   Úpage_urlrP   rQ   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_cnlongxi_gggs.pyz
DB error: zResult: z new, z skipped)r   ÚCUTOFFr@   ÚrangeÚLIST_URLr   r   r%   Ú	ExceptionrM   rA   r9   ÚlenÚtimeÚsleepÚ	enumerater`   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allrJ   r€   r#   rB   ÚerC   ÚnewrL   ÚenrichedÚidxÚdetailÚfÚitemÚconnr    ÚstoredÚskippeds                       r   ÚcrawlrÍ   ¸   sÞ  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€Dä�1�e˜a‘iÓ ò ˆØ�Š6Ü‰Cô —&‘&˜¨F°1°#°UÐ*;¼XÓFˆCð	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Ü�!�A�3Ð1Ð2Ô3ÙÜ�
‰
�3�ð-ð0 €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@XðZô	[ð �z‰z˜AŠ~Ø˜!‘‘à˜1‘�øðð  	‡K�K„MØ‡J�J„LÜˆ(�6�(˜&  	¨Ð2Õ3øôG 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+LÇ1MÉAMË%	LË.LÌLÌ	L?ÌL:Ì:L?ÍMÍ	M6ÍM1Í1M6Ú__main__é   z--pages=r   z--pages=(\d+)z--json)rÀ   rÁ   )é   )r£   N)+Ú__doc__r   ÚsysrŠ   r·   r²   r¹   r   r   r   Úbs4r   Úurllib.parser   r   r:   r¯   ÚDOMAINÚGROUPÚnowÚstrftimer­   Úenvironr   r   r    r   r   r%   rM   r`   rZ   rÍ   Ú__name__ÚargvÚargsrÀ   rÁ   r•   Úintr>   r?   Úindexrh   r   r   ú<module>rß      s8  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à0€	Ø'€Ø?€Ø	€Ø€Ø
ˆ(�,‰,‹.™9¨%Ô0Ñ
0×	:Ñ	:¸:Ó	F€Ø
�*‰*�.‰.˜Ð$5Ó
6€Øð  Kð  L€ò.òóò"òJò4KIó\P4ðf 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   