Ë
    P¦~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!d„Zd„ Zd"d„Zd"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$e%¬ «       yy)$ux  
æ²§å·žä¸´æ¸¯ç»�æµŽæŠ€æœ¯å¼€å�‘åŒº - å…¬å‘Šå…¬ç¤º (czcip.gov.cn/czcip/c100999)
CMS: TRS createPageHTML (listDisplaySelf_N.shtml)
åˆ—è¡¨: li > span.date + a[href=/czcip/c100999/YYYYMM/hash.shtml]
åˆ†é¡µ: listDisplaySelf_2.shtml ...
è¯¦æƒ…: div.articlecon (æ ‡é¢˜ h1, é™„ä»¶ files/*.docx ç›¸å¯¹è·¯å¾„)
ç”¨æ³•: python3 crawl_czcip_gggs.py [--pages=N] [--json out.jsonl] [--sync]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu.   æ²§å·žä¸´æ¸¯ç»�æµŽæŠ€æœ¯å¼€å�‘åŒº-å…¬å‘Šå…¬ç¤ºzhttp://www.czcip.gov.cnz;http://www.czcip.gov.cn/czcip/c100999/listDisplaySelf.shtmlzwww.czcip.gov.cnu   æ²³åŒ—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_czcip_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                 óš  — t        | d«      }g }|j                  d«      D ]¨  }|j                  dd¬«      }|sŒ|j                  dd«      }t	        |j                  d¬«      «      }|r|j                  d	«      sŒZ|j                  d
d¬«      }|r|j                  d¬«      d d nd}|j                  |t        t        |«      |dœ«       Œª |S )Núhtml.parserzdiv.list ul liÚaT©Úhrefr*   r   ©r   ú/ÚspanÚdate©Úclass_é
   )Útitler#   Úpub_date)
r   ÚselectÚfindr   r   Úget_textÚ
startswithÚappendr   ÚBASE_URL)	ÚhtmlÚsoupÚitemsÚlir(   r*   r2   r-   r.   s	            r   Ú
parse_listr>   +   sË   € Ü˜˜}Ó-€DØ€EØ�k‰kÐ*Ó+ò 
YˆØ�G‰G�C˜dˆGÓ#ˆÙØØ�u‰u�V˜RÓ ˆÜ˜AŸJ™J¨T˜JÓ2Ó3ˆÙ˜DŸO™O¨CÔ0ØØ�w‰w�v fˆwÓ-ˆÙ15ˆt�}‰} 4ˆ}Ó(¨¨"Ñ-¸2ˆØ�‰˜u¬W´X¸tÓ-DÐRVÑWÕXð
Yð €Lr   c                 óî  — ddddœ}t        | d«      }|j                  dddi¬«      }|r"|j                  d«      rt        |d   «      |d	<   |d	   s4|j	                  d
«      }|r!t        |d   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   s/t        j                  d| d d «      }	|	r|	j                  d«      |d<   |j                  dd¬«      }
|
r t        t        |
«      |xs t        «      |d<   |S )Nr   ©r2   Úpublish_dateÚcontentr'   ÚmetaÚnameÚArticleTitle)ÚattrsrB   r2   Úh1éÿÿÿÿTr+   u0   [_\-â€”]\s*æ²§å·žä¸´æ¸¯ç»�æµŽæŠ€æœ¯å¼€å�‘åŒº\s*$ÚPubDater1   rA   z20\d{2}-\d{2}-\d{2}i@  r   ÚdivÚ
articleconr/   )r   r5   r   r   Úfind_allr6   r   r   r   ÚsearchÚgroupÚextract_clean_textÚstrr9   )r:   Úpage_urlÚresultr;   Ú
meta_titleÚh1sÚ	title_tagr   Ú	meta_dateÚmÚcontent_divs              r   Úparse_detailrY   <   s|  € Ø¨2¸"Ñ=€FÜ˜˜}Ó-€Dà—‘˜6¨&°.Ð)A�ÓB€JÙ�j—n‘n YÔ/Ü% j°Ñ&;Ó<ˆˆw‰Ø�'Š?Ø�m‰m˜DÓ!ˆÙÜ)¨#¨b©'×*:Ñ*:ÀÐ*:Ó*FÓGˆF�7‰OØ�'Š?Ø—I‘I˜gÓ&ˆ	ÙØ×"Ñ"¨Ð"Ó.ˆAÜ—‘ÐJÈBÐPQÓRˆAØŸg™g›iˆF�7‰OØ—	‘	˜&¨°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—)‘)˜E¨,�)Ó7€KÙä.¬s°;Ó/?ÀÒAUÌXÓVˆˆyÑØ€Mr   c                 óÊ  — | syt        | d«      }|j                  dd¬«      D ]V  }|j                  dd«      }|j                  d¬«      xs d}t	        |xs t
        |«      }|j                  d	|› d
|› d�«       ŒX |j                  g d¢«      D ]  }|j                  «        Œ g }|j                  g d¢«      D ]†  }	|	j                  g d¢«      �|	j                  dk(  rŒ&|	j                  dk(  r|j                  t        |	«      «       ŒP|	j                  dk(  sŒ`|	j                  dd¬«      }
|
sŒv|j                  |
«       Œˆ |rdj                  |«      S | j                  «       S )Nr   r'   r(   Tr)   r*   r+   u   é™„ä»¶r
   z](ú))r-   ÚbÚstrongÚfontÚemÚiÚuÚs)ÚtableÚprJ   rJ   rc   rd   )Ú	separatorr   z

)r   rL   r   r6   r   r9   Úreplace_withÚunwrapÚfind_parentrD   r8   rP   Újoinr   )Úcontent_htmlÚbaser;   Úa_tagr*   r"   Úfull_urlÚtagÚpartsÚelr   s              r   rO   rO   [   sK  € ÙØÜ˜ }Ó5€DØ—‘˜s¨�Ó.ò 4ˆØ�y‰y˜ Ó$ˆØ�~‰~ Dˆ~Ó)Ò5¨XˆÜ˜4Ò+¤8¨TÓ2ˆØ×Ñ˜Q˜t˜f B x j°Ð2Õ3ð	4ð
 �}‰}ÒQÓRò ˆØ�
‰
�ðà€EØ�m‰mÒ1Ó2ò  ˆØ�>‰>Ò/Ó0Ð<ÀÇÁÈEÒAQØØ�7‰7�gÒØ�L‰Lœ˜R›Õ!Ø�W‰W˜‹^Ø—‘ b°�Ó5ˆAÚØ—‘˜Q•ð ñ "'ˆ6�;‰;�uÓÐ@¨L×,>Ñ,>Ó,@Ð@r   é   c                 óÜ  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]À  }|dk(  rt        nt        j                  dd|› d�t        «      }	 t        |«      }t        |«      }d	}	|D ]4  }
|
d
   |vsŒ|j                  |
d
   «       |j                  |
«       |	dz  }	Œ6 t        d|› dt        |«      › d|	› dt        |«      › �«       |s nt        j                  d«       ŒÂ g }t        |d«      D ]£  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d
   «      }t!        ||
d
   ¬«      }|j                  |d   xs |
d   |
d
   |d   xs |
d   |d   t"        ddœ«       |dz  d	k(  rt        d|› dt        |«      › �«       t        j                  d«       Œ¥ |rct%        |dd¬ «      5 }|D ]+  }|j'                  t)        j*                  |d!¬"«      d#z   «       Œ- 	 d d d «       t        d$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        $ r}t        d-|› �«       |dz  }Y d }~�Œd }~ww xY w)1NzCrawl pages=z cutoff=rq   zlistDisplaySelf\.shtml$ÚlistDisplaySelf_z.shtmlÚPz ERR: r   r#   z: z items (z new), total gš™™™™™é?r3   )rQ   z	  detail iØÿÿÿr   r@   r2   rA   rB   u   å…¬å‘Šå…¬ç¤º)r2   rQ   rA   rB   Ú	site_nameÚcolumnr1   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 (?,?,?,?,?,?,?,?,?)ru   rQ   iô  rv   zcrawl_czcip_gggs.pyz
DB error: zResult: z new, z skipped)r   ÚCUTOFFÚsetÚrangeÚLIST_URLr   r   r%   Ú	Exceptionr>   Úaddr8   ÚlenÚtimeÚsleepÚ	enumeraterY   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allÚseenrd   r#   r:   Úer<   ÚnewÚitÚenrichedÚidxÚdetailÚfÚitemÚconnÚcÚstoredÚskippeds                       r   ÚcrawlrŸ   s   sÒ  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€DÜ�1�e˜a‘iÓ ò ˆØ˜qš&�h¤b§f¡fÐ-GÐK[Ð\]Ð[^Ð^dÐIeÔgoÓ&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˜˜E™Ó#ˆDÜ! $°°E±Ô;ˆFð 	�‰Ø˜G‘_Ò3¨¨7©Ø˜5™	Ø" >Ñ2ÒD°b¸±nØ˜iÑ(Ü"Ø$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LÆ81L7ÉAMË	L Ë#K;Ë;L Ì	L4ÌL/Ì/L4Ì7MÍ	M+ÍM&Í&M+Ú__main__é   z--pages=r   z--pages=(\d+)z--json)r�   r�   )é   )N)rq   N)+Ú__doc__r   ÚsysÚosr†   r�   rˆ   r   r   r   Úbs4r   Úurllib.parser   r   r9   r}   ÚDOMAINÚGROUPÚnowÚstrftimerz   Úenvironr   r   r    r   r   r%   r>   rY   rO   rŸ   Ú__name__ÚargvÚargsr�   r�   ri   ÚintrM   rN   Úindex© r   r   ú<module>r³      s5  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à<€	Ø$€ØH€Ø	€Ø€Ø
ˆ(�,‰,‹.™9¨%Ô0Ñ
0×	:Ñ	:¸:Ó	F€Ø
�*‰*�.‰.˜Ð$5Ó
6€Øð  Kð  L€ò.òóòó"ó>Aó0J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   