Ë
    ¸¬uj'  ã                   óÎ  — d Z ddlZddlZddlZddlZddlmZ ddlZddlm	Z	 dZ
e
dz   ZdZdZd	Zd
diZ ej                   «       Zej$                  j'                  e«       d„ Zd„ Zdd„Zd„ Zd„ Zdd„Zedk(  rbdZ eej:                  «      dkD  rAej:                  dd D ]/  Zej?                  d«      sŒ	  e ejC                  d«      d   «      ZŒ1  ee¬«       yy# e"$ r Y ŒDw xY w)uÑ  
ä¸œè‡³åŽ¿äººæ°‘æ”¿åºœ - æ”¿åºœä¿¡æ�¯å…¬å¼€â†’ä¸œè‡³ç»�æµŽå¼€å�‘åŒºç®¡å§”ä¼šâ†’åŸºå±‚é‡�ç‚¹é¢†åŸŸä¿¡æ�¯å…¬å¼€ çˆ¬è™«
CMS: ä¸œè‡³åŽ¿è‡ªå®šä¹‰æ”¿åºœä¿¡æ�¯å…¬å¼€å¹³å�°ï¼ˆå�Œå¹¿å¾·CMSï¼‰
åˆ—è¡¨: AJAX /OpennessTarget/311/80984/page_{n}.html
      è¿”å›žHTML: table > tr > td.bt(æ ‡é¢˜+é“¾æŽ¥) + td.cwrq(æ—¥æœŸ)
åˆ†é¡µ: 20æ�¡/é¡µ, å…±7é¡µ126æ�¡
è¯¦æƒ…: /OpennessContent/show/{id}.html
      æ ‡é¢˜: div.u-title, æ—¥æœŸ: div.u-desc(å�‘å¸ƒæ—¶é—´:), æ­£æ–‡: div.g-detailbox
é    N)Úurljoin)ÚBeautifulSoupzhttps://www.dongzhi.gov.cnz'/OpennessTarget/311/80984/page_{n}.htmlu=   ä¸œè‡³ç»�æµŽå¼€å�‘åŒºç®¡å§”ä¼š-åŸºå±‚é‡�ç‚¹é¢†åŸŸä¿¡æ�¯å…¬å¼€u   å®‰å¾½z/mnt/data/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                 óV   — | syt        j                  dd| «      } | j                  «       S )NÚ z(&middot;|&nbsp;|\s)+ú )ÚreÚsubÚstrip)Útexts    ú'/root/gov_crawler/crawl_dongzhi_jcqy.pyÚ
clean_textr   %   s'   € ÙØÜ�6‰6Ð*¨C°Ó6€DØ�:‰:‹<Ðó    c                 óð  — | syt        | d«      } |ddg«      D ]  }|j                  «        Œ g }|j                  D �]&  }|j                  sŒ|j                  dk(  rÆ|j	                  d¬«      }|sŒ5|j                  dd¬	«      D ]‰  }|d
   }t        j                  d|t        j                  «      sŒ.|j	                  d¬«      xs |}	|j                  d«      st        ||«      n|}
|j                  |j                  d|	› d|
› d�«      «       Œ‹ |j                  |«       Œæ|j                  dk(  r|j                  t        |«      «       �Œ|j                  dv �r—|j                  dd¬«      D ]Ù  }|j                  d«      rŒ|j	                  d¬«      }|sŒ*|j                  dd¬	«      D ]‰  }|d
   }t        j                  d|t        j                  «      sŒ.|j	                  d¬«      xs |}	|j                  d«      st        ||«      n|}
|j                  |j                  d|	› d|
› d�«      «       Œ‹ |j                  |«       ŒÛ |j                  dd¬«      D ]  }|j                  t        |«      «       Œ |j                  d«      D ]`  }|j!                  dd«      }|j!                  dd«      }|sŒ*|j                  d«      st        ||«      n|}|j                  d|› d|› d�«       Œb �Œ·|j                  dk(  s�ŒÈ|j!                  dd«      }|j!                  dd«      }|s�Œð|j                  d«      st        ||«      n|}|j                  d|› d|› d�«       �Œ) dj#                  |«      S )u.   æ��å�–æ­£æ–‡ï¼Œè¡¨æ ¼ä¿�ç•™HTMLï¼Œé™„ä»¶åµŒå…¥r   úhtml.parserÚscriptÚstyleÚpT©r
   Úa)Úhrefr   z"\.(pdf|doc|docx|xls|xlsx|zip|rar)$Úhttpz [z](z) Útable)ÚdivÚsectionÚarticle)Ú	recursiveÚimgÚsrcÚaltz![ú)z

)r   Ú	decomposeÚchildrenÚnameÚget_textÚfind_allr   ÚsearchÚIÚ
startswithr   Úreplace_withÚ
new_stringÚappendÚstrÚfind_parentÚgetÚjoin)Úhtml_contentÚ
detail_urlÚsoupÚtagÚpartsÚchildÚtÚa_tagr   Úa_textÚfull_urlr   Útblr   r   r   Úfull_srcs                    r   Úclean_content_htmlr<   ,   s:  € áØÜ˜ }Ó5€DÙ�X˜wÐ'Ó(ò ˆØ�‰�ðð €EØ—‘ó -6ˆØ�zŠzØà�:‰:˜ÒØ—‘ T�Ó*ˆAÚØ"Ÿ^™^¨C°d˜^Ó;ò Y�EØ  ™=�DÜ—y‘yÐ!FÈÌbÏdÉdÕSØ!&§¡°d Ó!;Ò!C¸t˜ØDHÇOÁOÐTZÔD[¤7¨:°tÔ#<Ðae˜Ø×*Ñ*¨4¯?©?¸RÀ¸xÀrÈ(ÈÐSUÐ;VÓ+WÕXðYð —‘˜Q•à�Z‰Z˜7Ò"Ø�L‰Lœ˜U›Ö$à�Z‰ZÐ8Ò8Ø—^‘^ C°4�^Ó8ò $�Ø—=‘= Ô)ØØ—J‘J T�JÓ*�ÚØ!"§¡¨C°d Ó!;ò ]˜Ø$ V™}˜ÜŸ9™9Ð%JÈDÔRT×RVÑRVÕWØ%*§^¡^¸$ ^Ó%?Ò%GÀ4˜FØHLÏÉÐX^ÔH_¤w¨z¸4Ô'@Ðei˜HØ!×.Ñ.¨t¯©ÀÀFÀ8È2ÈhÈZÐWYÐ?ZÓ/[Õ\ð]ð —L‘L •Oð$ð —~‘~ g¸�~Ó>ò '�Ø—‘œS ›XÕ&ð'à—~‘~ eÓ,ò :�Ø—g‘g˜e RÓ(�Ø—g‘g˜e RÓ(�ÚØ?B¿~¹~ÈfÔ?Uœw z°3Ô7Ð[^�HØ—L‘L 2 c U¨"¨X¨J°aÐ!8Õ9ò:ð �Z‰Z˜5Ô Ø—)‘)˜E 2Ó&ˆCØ—)‘)˜E 2Ó&ˆCÛØ;>¿>¹>È&Ô;Qœ7 :¨sÔ3ÐWZ�Ø—‘˜r #  b¨¨
°!Ð4Ö5ð[-6ð^ �;‰;�uÓÐr   é   c                 óò  — g }t        | «      D �]¿  }t        j                  |dz   ¬«      }t        d|dz   › d�d¬«       	 t        j                  |d¬«      }d	|_        |j                  d
k7  rt        d|j                  › �«        |S 	 t        |j                  d«      }|j                  d«      }|st        d«        |S d}|j                  d«      D ]Õ  }	|	j                  dd¬«      }
|
sŒ|
j                  d«      }|sŒ-|j                  dd«      }t        |j                  dd«      «      xs t        |j                  d¬«      «      }|	j                  dd¬«      }|rt        |j                  «       «      nd}|r|sŒ¬t        t         |«      }|j#                  |||dœ«       |dz  }Œ× t        |› d�«       t%        j&                  d«       �ŒÂ |S # t        $ r}t        d|› �«       Y d}~ |S d}~ww xY w) u"   é€šè¿‡AJAXæŽ¥å�£èŽ·å�–æ–‡ç« åˆ—è¡¨é   )Únu     ç¬¬u   é¡µ...r   ©Úendé   ©Útimeoutúutf-8éÈ   zHTTP úERR Nr   r   u	   æ— åˆ—è¡¨r   ÚtrÚtdÚbt©Úclass_r   r   r   ÚtitleTr   Úcwrq)ÚurlrN   Údateu   æ�¡ç333333Ó?)ÚrangeÚLIST_URL_TMPLÚformatÚprintÚsessionr.   ÚencodingÚstatus_codeÚ	Exceptionr   r   Úfindr%   r   r$   r   ÚBASE_URLr+   ÚtimeÚsleep)Ú	max_pagesÚ	all_itemsÚpagerP   ÚrÚer2   r   ÚcountrI   Útd_btr   r   rN   Útd_daterQ   r9   s                    r   Ú
fetch_listrg   g   sý  € à€IÜ�iÓ ó &ˆÜ×"Ñ" T¨A¡XÐ"Ó.ˆÜ��d˜1‘f�X˜VÐ$¨#Õ.ð	Ü—‘˜C¨�Ó,ˆAØ ˆAŒJØ�}‰} Ò#Ü˜˜aŸm™m˜_Ð-Ô.Øð> ÐðC $ô ˜QŸV™V ]Ó3ˆØ—	‘	˜'Ó"ˆÙÜ�+ÔØð, Ðð) ˆØ—.‘. Ó&ò 	ˆBØ—G‘G˜D¨�GÓ.ˆEÙØØ—
‘
˜3“ˆAÙØØ—5‘5˜ Ó$ˆDÜ˜qŸu™u W¨bÓ1Ó2ÒX´jÀÇÁÐRVÀÓAWÓ6XˆEØ—g‘g˜d¨6�gÓ2ˆGÙ5<”:˜g×.Ñ.Ó0Ô1À"ˆDÙ™uØÜœx¨Ó.ˆHØ×Ñ X¸ÀtÑLÔMØ�Q‰J‰Eð	ô" 	���sˆmÔÜ�
‰
�3ŽðM&ðN Ðøô= ò 	Ü�D˜˜�*ÔÜð8 Ðûð=	ús   Á AGÇ	G6ÇG1Ç1G6c                 ó  — t        | d«      }d}d}d}d}|j                  dd¬«      }|rt        |j                  «       «      }|j                  dd¬«      }|rm|j                  «       }	t	        j
                  d|	«      }
|
rE|
j                  d«      }|j                  d	d
«      j                  dd
«      j                  dd«      }|}|j                  dd¬«      }|s|j                  dd¬«      }|rt        t        |«      |«      }||||fS )u   è§£æž�è¯¦æƒ…é¡µr   r   r   zu-titlerL   zu-descu6   å�‘å¸ƒæ—¶é—´[ï¼š:]\s*(\d{4}[-å¹´]\d{1,2}[-æœˆ]\d{1,2})r?   u   å¹´ú-u   æœˆu   æ—¥zg-detailboxzm-detailbox)
r   r[   r   r$   r   r&   ÚgroupÚreplacer<   r,   )ÚhtmlrP   r2   rN   Úpublish_dateÚsourceÚcontentÚu_titleÚu_descÚtxtÚdmÚrawÚzooms                r   Úparse_detailrv   ”   s  € ä˜˜}Ó-€DØ€EØ€LØ€FØ€Gð �i‰i˜ iˆiÓ0€GÙÜ˜7×+Ñ+Ó-Ó.ˆð �Y‰Y�u XˆYÓ.€FÙØ�o‰oÓˆÜ�Y‰YÐPÐRUÓVˆÙØ—(‘(˜1“+ˆCØ—+‘+˜e SÓ)×1Ñ1°%¸Ó=×EÑEÀeÈRÓPˆCØˆLð �9‰9�U =ˆ9Ó1€DÙØ�y‰y˜ }ˆyÓ5ˆÙÜ$¤S¨£Y°Ó4ˆà�, ¨Ð/Ð/r   c                 ó"  — | d   j                  dd«      }|xs | d   j                  dd«      }|xs | j                  dd«      }|xs t        }|j                  dd«      }|j                  dd«      }	|d d }
t        }d|› d	|› d	|	› d	|› d	|› d	|› d	|
› d	t        › d
�}|dz   }	 t	        j
                  dt        g|ddd¬«      }|j                  dk(  r`|j                  j                  «       }	 t        |j                  «       «      }|dkD  rPd|› d�}t	        j
                  dt        g|ddd¬«       yd|j                  vrt        d|j                  d d › �«       y# t        $ r d}Y Œcw xY w# t        $ r}t        d|› �«       Y d }~yd }~ww xY w)NrP   ú'z''rN   rQ   r   rG   zœINSERT OR IGNORE INTO gov_raw 
        (page_url, title, content, publish_date, source_url, site_name, summary, group_name, industry)
    VALUES 
        ('z', 'u   ', 'çŽ¯è¯„å…¬ç¤º');
zDSELECT CASE WHEN changes() > 0 THEN last_insert_rowid() ELSE 0 END;
Úsqlite3TrC   )ÚinputÚcapture_outputr   rE   r   z‡INSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary)
SELECT rowid, title, site_name, summary FROM gov_raw WHERE rowid = z;
zUNIQUE constraintz	    [DB] u       [DB] é”™è¯¯: F)rk   r.   Ú	SITE_NAMEÚGROUPÚ
subprocessÚrunÚDB_PATHÚ
returncodeÚstdoutr
   ÚintÚ
ValueErrorÚstderrrV   rZ   )ÚitemÚdetail_titleÚpub_datern   ro   Úpage_urlrN   rm   Úsource_nameÚcontent_safeÚsummaryÚ	site_nameÚsql_rawÚcombined_sqlÚresultÚoutÚrowidÚfts_sqlrc   s                      r   Úinsert_articler”   µ   sè  € Ø�E‰{×"Ñ" 3¨Ó-€HØÒ*˜T '™]×3Ñ3°C¸Ó>€EØÒ3˜tŸx™x¨°Ó3€LØÒ%œI€KØ×%Ñ% c¨4Ó0€KØ—?‘? 3¨Ó-€LØ�D�Sˆk€GÜ€Iðð ˆ*�D˜˜˜t L >°°l°^À4ÈÀzÐQUÐV_ÐU`Ð`dÐelÐdmÐmqÔrwÐqxð yð€Gð
 ð ñ €Lð'Ü—‘ØœÐ ØØ d°Bô
ˆð
 ×Ñ Ò!Ø—-‘-×%Ñ%Ó'ˆCðÜ˜CŸI™I›KÓ(�ð �qŠyðDØDIÀ7ð Kð�ô —‘ 	¬7Ð3¸7ÐSWÐ^bÐlnÕoØà"¨&¯-©-Ñ7Ü˜	 &§-¡-°°Ð"5Ð!6Ð7Ô8ð øô ò Ø’ðûô ò 'ÜÐ! ! Ð%×&Ð&Øûð'úsC   Â#A	E- Ã-E Ä+E- Ä2)E- ÅE*Å'E- Å)E*Å*E- Å-	FÅ6F	Æ	Fc                 ó˜  — t        d«       t        | «      }|st        d«       y t        dt        |«      › d�«       t        «       }	 t	        j
                  dt        dgddd¬	«      }|j                  d
k(  rL|j                  j                  «       r2t        |j                  j                  «       j                  d«      «      }t        dt        |«      › �«       d
}d
}t        |«      D ]ø  \  }}|d   }||v r|dz  }Œt        d|dz   › dt        |«      › d|d   d d › d�d¬«       	 t        j                  |d¬«      }	d|	_        t%        |	j&                  |«      \  }}}}|j                  «       st        d«       |dz  }Œ™t)        |||||«      r,|dz  }t        dt        |j                  «       «      › d�«       n|dz  }t        d«       t!        j"                  d«       Œú t        d|› d |› d�«       t        d!«       y # t        $ r Y �ŒKw xY w# t        $ r.}
t        d|
› �«       t!        j"                  d«       Y d }
~
�Œ[d }
~
ww xY w)"Nu@   === ä¸œè‡³ç»�å¼€åŒº - åŸºå±‚é‡�ç‚¹é¢†åŸŸä¿¡æ�¯å…¬å¼€ çˆ¬è™« ===
u   æ— æ–‡ç« åˆ—è¡¨u   
åˆ—è¡¨æ€»è®¡: u    æ�¡ry   zSSELECT page_url FROM gov_raw WHERE page_url LIKE '%dongzhi.gov.cn/OpennessContent%'TrC   )r{   r   rE   r   ú
u   å·²çŸ¥URL: rP   r?   z  [ú/z] rN   é2   z...r   rA   rD   rF   rH   u   SKIP æ— æ­£æ–‡zOK (u   å­—)u   SKIP (é‡�å¤�æˆ–å…¥åº“å¤±è´¥)rR   u   
ç»“æžœ: æ–°å¢ž u    æ�¡, è·³è¿‡ u   === å®Œæˆ� ===)rV   rg   ÚlenÚsetr~   r   r€   r�   r‚   r
   ÚsplitrZ   Ú	enumeraterW   r.   rX   r]   r^   rv   r   r”   )r_   ÚarticlesÚ
known_urlsr�   ÚaddedÚskippedÚir   rP   rb   rc   Úd_titleÚd_dateÚd_sourcero   s                  r   Úmainr¥   à   s=  € Ü	ÐMÔOÜ˜)Ó$€HÙÜÐÔ ØÜ	ÐœS ›]˜O¨4Ð
0Ô1ä“€JðÜ—‘ØœÐ!vÐwØ d°Bô
ˆð ×Ñ Ò! f§m¡m×&9Ñ&9Ô&;Ü˜VŸ]™]×0Ñ0Ó2×8Ñ8¸Ó>Ó?ˆJô 
ˆKœ˜J›Ð(Ð
)Ô*à€EØ€GÜ˜(Ó#ò ‰ˆˆ1Ø�‰hˆØ�*ÑØ�q‰LˆGØä��A�a‘C�5˜œ#˜h›-˜¨¨1¨W©:°c°r¨?Ð*;¸3Ð?ÀSÕIð	Ü—‘˜C¨�Ó,ˆAØ ˆAŒJô .:¸!¿&¹&À#Ó-FÑ*ˆ�˜ 7Ø�}‰}ŒÜÐ"Ô#Ø�q‰LˆGØä˜!˜W f¨h¸Ô@Ø�Q‰JˆEÜ�Dœ˜WŸ]™]›_Ó-Ð.¨dÐ3Õ4à�q‰LˆGÜÐ0Ô1Ü�
‰
�3�ð7ô: 
Ð˜e˜W M°'°¸$Ð
?Ô@Ü	Ð
ÕøôI ò Úðûô  ò 	Ü�D˜˜�*ÔÜ�J‰J�qŒMÝûð	ús+   ÁA;H Ä(HÈ	HÈHÈ	I	È#IÉI	Ú__main__r?   z--pages=ú=)r_   )r=   )#Ú__doc__r   Úsysr]   r~   Úurllib.parser   ÚrequestsÚbs4r   r\   rT   r|   r}   r€   ÚHEADERSÚSessionrW   ÚheadersÚupdater   r<   rg   rv   r”   r¥   Ú__name__Úpagesr™   ÚargvÚargr(   rƒ   r›   r„   © r   r   ú<module>r¶      s  ðñó 
Û 
Û Û Ý  ã Ý ð (€ØÐDÑD€ØK€	Ø€Ø
€ð ð  Dð€ð ˆ(×
Ñ
Ó
€Ø ‡�× Ñ �wÔ òò8óv*òZ0òB(óV4ðn ˆzÒØ€EÙ
ˆ3�8‰8ƒ}�qÒØ—8‘8˜A˜B�<ò 	ˆCØ�~‰~˜jÕ)ðÙ §	¡	¨#£¨qÑ 1Ó2‘Eð	ñ 	�5Öð øð "ò Ùðús   Â5CÃC$Ã#C$