Ë
    É0€jg)  ã                   ó   — 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Z	e	dz   Z
dZdZdZdZ	 dd	lmZ ej$                  j'                  d
d«      Zej$                  j'                  dd«      ZdZdddœZdZ eej4                  «      D ]k  \  ZZej;                  d«      r	  eej?                  dd«      d   «      ZŒ4edk(  sŒ:edz    e!ej4                  «      k  sŒS	  eej4                  edz      «      ZŒm edk\  rendZ"dZ# ejH                  d ejJ                   ej                  «       e#dz  z
  «      «      Z&d„ Z'd„ Z(d„ Z)d„ Z*d„ Z+d„ Z,d„ Z-e.d k(  r e-«        yy# e$ r dZY �Œ1w xY w# e $ r Y Œéw xY w# e $ r Y Œôw xY w)!uD   æ·„å�šå¸‚å�‘å±•å’Œæ”¹é�©å§”å‘˜ä¼š - å…¬ç¤ºå…¬å‘Š (dataproxy.jsp XML)é    Nzhttp://fgw.zibo.gov.cnz/module/web/jpage/dataproxy.jspu   æ·„å�šå¸‚å�‘æ”¹å§”-å…¬ç¤ºå…¬å‘Šu   å±±ä¸œzcrawl_fgw_zibo.pyu   å…¬ç¤ºå…¬å‘Š)ÚBeautifulSoupÚDB_PATHz/root/search.dbÚ
JSONL_PATHÚ z®appid=1&webid=43&path=/&webname=%E6%B7%84%E5%8D%9A%E5%B8%82%E5%8F%91%E5%B1%95%E5%92%8C%E6%94%B9%E9%9D%A9%E5%A7%94%E5%91%98%E4%BC%9A&permissiontype=0&columnid=951&unitid=57113zkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36zzh-CN,zh;q=0.9)z
User-AgentzAccept-Languageé   z--pages=ú=z--pagesiG  z%Y-%m-%di€Q c                 ó€   — | sydd l }|j                  | «      } t        j                  dd| «      } | j	                  «       S )Nr   r   z\s+ú )ÚhtmlÚunescapeÚreÚsubÚstrip)ÚtÚhtml_libs     ú#/root/gov_crawler/crawl_fgw_zibo.pyÚclean_titler   .   s9   € ÙØÛØ×Ñ˜!Ó€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 óÌ  — dd l }dd l}|j                  |j                  j                  «       dt
        | t        fz  }	 |j                  |t        dd¬«      }|j                  dk7  rydd l
mc m} |j                  |j                  «      }t        |j!                  dd	«      xs d«      }|j#                  d
«      }||fS # t$        $ r}	t'        d|	z  d¬«       Y d }	~	yd }	~	ww xY w)Nr   z%s?page=%d&perPage=50&%sé   F©ÚheadersÚtimeoutÚverifyéÈ   )Nr   ÚtotalrecordÚ0z	.//recordz  [API fail] %sT©Úflush)ÚrequestsÚurllib3Údisable_warningsÚ
exceptionsÚInsecureRequestWarningÚAPI_URLÚBASE_PARAMSÚgetÚHEADERSÚstatus_codeÚxml.etree.ElementTreeÚetreeÚElementTreeÚ
fromstringÚcontentÚintÚfindtextÚfindallÚ	ExceptionÚprint)
Úpager    r!   ÚurlÚrÚETÚtreeÚtotalÚrecordsÚes
             r   Ú	fetch_apir<   7   sÇ   € ßØ×Ñ˜W×/Ñ/×FÑFÔGØ
$¬°´{Ð'CÑ
C€CðØ�L‰L˜¤g°rÀ%ˆLÓHˆØ�=‰=˜CÒØß*Ð*Ø�}‰}˜QŸY™YÓ'ˆÜ�D—M‘M -°Ó5Ò:¸Ó;ˆØ—,‘,˜{Ó+ˆØ˜ˆ~ÐøÜò ÜÐ !Ñ#¨4Õ0Üûðús   ¿(C  Á(AC  Ã 	C#Ã	CÃC#c                 óÄ  — g }| D ]Ø  }|j                   xs d}t        j                  d|«      }t        j                  d|«      }t        j                  d|«      }|r|sŒZ|j                  d«      }t	        |j                  d«      «      }|r|j                  d«      nd}	|rt        |«      dk  rŒ«|j                  d«      s	t        |z   }|j                  |||	f«       ŒÚ |S )Nr   zhref='([^']+)'ztitle='([^']+)'z>(\d{4}-\d{2}-\d{2})<r   é   Úhttp)	Útextr   ÚsearchÚgroupr   ÚlenÚ
startswithÚBASE_URLÚappend)
r:   ÚitemsÚrecÚcdataÚm_urlÚm_titleÚm_dateÚhrefÚtitleÚdates
             r   Úparse_recordsrP   I   sÎ   € Ø€EØò *ˆØ—‘’˜BˆÜ—	‘	Ð+¨UÓ3ˆÜ—)‘)Ð.°Ó6ˆÜ—‘Ð3°UÓ;ˆÙ™GØØ�{‰{˜1‹~ˆÜ˜GŸM™M¨!Ó,Ó-ˆÙ"(ˆv�|‰|˜AŒ¨bˆÙœ˜E›
 QšØØ�‰˜vÔ&Ü˜d‘?ˆDØ�‰�d˜E 4Ð(Õ)ð*ð €Lr   c                 ó$  — dd l }dd l}|j                  |j                  j                  «       	 |j                  | t        dd¬«      }|j                  dk(  rd|_        |j                  S 	 y # t        $ r}t        d|z  d¬	«       Y d }~y d }~ww xY w)
Nr   r   Fr   r   úutf-8z  [fetch fail] %sTr   )r    r!   r"   r#   r$   r'   r(   r)   Úencodingr@   r2   r3   )r5   r    r!   r6   r;   s        r   ÚfetchrT   ]   sˆ   € ßØ×Ñ˜W×/Ñ/×FÑFÔGð3Ø�L‰L˜¤g°rÀ%ˆLÓHˆØ�=‰=˜CÒØ ˆAŒJØ—6‘6ˆMð  ð
 øô ò 3ÜÐ! AÑ%¨T×2Ñ2Øûð3ús   ¯:A, Á,	BÁ5B
Â
Bc                 óR	  ‡‡‡‡‡— | sddg fS dd l Št        j                  dd| t        j                  ¬«      } t        j                  dd| t        j                  t        j                  z  ¬«      } t        j                  dd| t        j                  t        j                  z  ¬«      } g Ši Št
        �r6	 t        | d«      }|j                  dd	¬
«      D �]  }|j                  d«      s6t        j                  d|j                  dd«      t        j                  «      sŒK|d   }|j                  d«      xs |}|j                  d	¬«      xs1 t        j                  j                  |j                  d«      d   «      }t        j                  j!                  ‰|«      }‰j#                  ||f«       dt%        ‰«      z  }d|›d|›d�‰|<   |j'                  |«       �Œ
 t)        |«      } ˆˆˆˆfd„}	t        j                  d|	| t        j                  t        j                  z  ¬«      } g Šˆfd„}
t        j                  d| t        j                  «      rdnd}t        j                  d|
| t        j                  t        j                  z  ¬«      } t        j                  dd| t        j                  ¬«      } t        j                  dd| t        j                  ¬«      } t        j                  dd| t        j                  ¬«      } g }| j                  d «      D ]È  }|j-                  «       }|sŒt        j                  d!d|«      }‰j/                  |«      }t        j                  d"d|«      }|sŒX‰j1                  «       D ]  \  }}|j3                  ||«      }Œ t5        ‰«      D ]  \  }}|j3                  d#|z  |«      }Œ |j#                  |j-                  «       «       ŒÊ d j7                  |«      }‰j1                  «       D ]  \  }}|j3                  ||«      }Œ t5        ‰«      D ]  \  }}|j3                  d#|z  |«      }Œ t        j                  d$d|«      }‰j/                  |«      }t        j                  d%d |«      }|j-                  «       |‰fS # t*        $ r Y �Œ¼w xY w)&Nr   r   z
<!--.*?-->)Úflagsz<script[^>]*>.*?</script>z<style[^>]*>.*?</style>úhtml.parserÚaT)rM   Úappendixú\.(pdf|docx?|xlsx?|zip|rar|wps)rM   Úoldsrc)r   ú?z__ATTACH__%d__ú	<a href="ú" target="_blank">ú</a>c                 óÈ  •— | j                  d«      }|j                  d«      ry| j                  d«      }t        j                  dd|«      }‰j	                  |«      j                  «       }t        j                  d|t        j                  «      s$d|j                  «       v sd|j                  «       v r†|s5t        j                  j                  |j                  d	«      d
   «      xs d}t        j                  j                  ‰	|«      }‰j!                  ||f«       dt#        ‰«      z  }d|›d|›d�‰|<   |S t        j                  j                  ‰	|«      }d|›d|›d�S )Nr   zjavascript:r   é   ú<[^>]+>rZ   ÚdownloadÚ
attachmentr\   r   u   é™„ä»¶z__LINK__%d__r]   r^   r_   )rB   rD   r   r   r   r   rA   ÚIÚlowerÚosÚpathÚbasenameÚsplitÚurllibÚparseÚurljoinrF   rC   )
ÚmrM   ÚinnerÚtxtÚabs_urlÚkeyÚattachmentsr   Úlink_protectÚpage_urls
         €€€€r   Ú
_link_replz html_to_text.<locals>._link_repl„   s5  ø€ Ø�w‰w�q‹zˆØ�?‰?˜=Ô)ØØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆØ×Ñ Ó$×*Ñ*Ó,ˆÜ�9‰9Ð7¸¼r¿t¹tÔDÈ
ÐVZ×V`ÑV`ÓVbÑHbÐfrÐvz÷  wAñ  wAó  wCñ  gCÙÜ—g‘g×&Ñ& t§z¡z°#£°qÑ'9Ó:ÒF¸h�Ü—l‘l×*Ñ*¨8°TÓ:ˆGØ×Ñ ¨˜~Ô.Ø ¤3 |Ó#4Ñ4‰CÚIPÒRUÐ VˆL˜ÑØˆJÜ—,‘,×&Ñ& x°Ó6‰Ú8?ÂÐEÐEr   z&<a\s[^>]*href="([^"]+)"[^>]*>(.*?)</a>c                 óf   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  z  S )Nr   ú__TBL__%d__r   )rF   rB   rC   )rn   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_repl˜   s.   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Ø¤ MÓ 2°QÑ 6Ñ7Ð7r   z<table[^>]*>r   z<table[^>]*>.*?</table>z</p>z</p>

z	<br\s*/?>ú
z</?(?:span|font|o:p)\b[^>]*>z

rb   z[\s\u200b\u200c\u200d\ufeff]+rx   z*__LINK__\d+__|__TBL__\d+__|__ATTACH__\d+__z\n{3,})r   r   r   ÚSre   r   Úfind_allr'   rA   Úget_textrg   rh   ri   rj   rk   rl   rm   rF   rC   Úreplace_withÚstrr2   r   r   rG   ÚreplaceÚ	enumerateÚjoin)r.   ru   Ú_souprX   rM   Ú	real_hrefrp   rq   rr   rv   rz   Ú	has_tableÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutrs   r   rt   ry   s    `                   @@@@r   Úhtml_to_textr�   j   så  ü€ ÙØ�1�bˆyÐÛÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€GØ€KØ€LÞð	Ü! '¨=Ó9ˆEØ—^‘^ C¨d�^Ó3ó 	(�Ø—5‘5˜Ô$¬¯	©	Ð2TÐVW×V[ÑV[Ð\bÐdfÓVgÔik×imÑimÕ(nØ˜V™9�DØ !§¡ h£Ò 7°4�IØŸ*™*¨4˜*Ó0Ò]´B·G±G×4DÑ4DÀYÇ_Á_ÐUXÓEYÐZ[ÑE\Ó4]�CÜ$Ÿl™l×2Ñ2°8¸YÓG�GØ×&Ñ&¨° ~Ô6Ø*¬S°Ó->Ñ>‘CÚQXÒZ]Ð(^�L Ñ%Ø—N‘N 3Ö'ð	(ô ˜%“jˆG÷Fô" �f‰fÐ>À
ÈGÔ[]×[_Ñ[_Ôbd×bfÑbfÑ[fÔg€Gà€Mô8ô —Y‘Y˜°¼¿¹Ô>‘ÀA€IÜ�f‰fÐ/°¸GÌ2Ï4É4ÔRT×RVÑRVÉ;ÔW€Gä�f‰f�W˜j¨'¼¿¹Ô>€GÜ�f‰f�\ 4¨¼¿¹Ô=€GÜ�f‰fÐ4°b¸'ÌÏÉÔN€Gà€EØ—‘˜vÓ&ò  ˆØ�K‰K‹MˆÙØÜ—‘�z 2 qÓ)ˆØ×!Ñ! %Ó(ˆÜ—‘Ð7¸¸UÓCˆÙØØ ×&Ñ&Ó(ò 	 ‰DˆAˆqØ—	‘	˜!˜Q“‰Að	 ä Ó.ò 	2‰FˆAˆsØ—	‘	˜-¨!Ñ+¨SÓ1‰Að	2à�‰�Q—W‘W“YÕð ð �+‰+�eÓ
€CØ×"Ñ"Ó$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 2‰ˆˆ3Ø�k‰k˜-¨!Ñ+¨SÓ1‰ð2ä
�&‰&Ð>ÀÀCÓ
H€CØ
×
Ñ
˜CÓ
 €CÜ
�&‰&�˜F CÓ
(€CØ�9‰9‹;˜	 ;Ð.Ð.øôq ò 	Úð	ús   Â4A)R ÄCR Ò	R&Ò%R&c                 óÆ  — d}d}d}t         �rPt        | d«      }|j                  d«      }|r"dj                  d„ |j                  D «       «      }|j	                  ddt        j                  dt
        j                  «      i¬«      }|r|j                  d	«      rt        |d	   «      }|j	                  ddt        j                  d
t
        j                  «      i¬«      }|r=|j                  d	«      r,t        j                  d|d	   «      }	|	r|	j                  d«      }|s?|j	                  d«      xs |j	                  d«      }
|
rt        |
j                  «       «      }|||fS )Nr   rW   zSdiv.TRS_Editor, div.content, div.article-content, #zoom, div.maintext, div.con_textc              3   ó2   K  — | ]  }t        |«      –— Œ y ­w)N)r€   )Ú.0Úcs     r   ú	<genexpr>zparse_detail.<locals>.<genexpr>Â   s   è ø€ Ò">¨a¤3 q§6Ñ">ùs   ‚ÚmetaÚnameÚArticleTitle)Úattrsr.   ÚPubDatez([0-9]{4}-[0-9]{2}-[0-9]{2})r   Úh1Úh2)r   Ú
select_onerƒ   ÚcontentsÚfindr   Úcompilere   r'   r   rA   rB   r~   )Ú	html_textru   rN   rO   Úcontent_htmlÚsoupÚdr   ÚmdÚdmr›   s              r   Úparse_detailr§   ¼   s   € Ø€E�r�¨"˜<ÞÜ˜Y¨Ó6ˆØ�O‰OÐqÓrˆÙØŸ7™7Ñ">°1·:±:Ô">Ó>ˆLØ�I‰I�f V¬R¯Z©Z¸ÌÏÉÓ-MÐ$NˆIÓOˆÙ�—‘�yÔ!Ü  )¡Ó-ˆEØ�Y‰Y�v f¬b¯j©j¸ÄBÇDÁDÓ.IÐ%JˆYÓKˆÙ�"—&‘&˜Ô#Ü—‘Ð:¸B¸y¹MÓJˆBÙØ—x‘x “{�ÙØ—‘˜4“Ò3 D§I¡I¨d£OˆBÙÜ# B§K¡K£MÓ2�Ø�$˜Ð$Ð$r   c                  ó:  — t         j                  j                  dt        j                  j	                  t        j                  j                  t        «      «      «       ddlm}  d}d}t        «       }g }g }t        dt        dz   «      D �]Î  }t        |«      \  }}|€t        d|z  d¬«        �n«t        |«      }	|	st        d|z  d¬«        �n‹t        d|t        |	«      |fz  d¬«       |	D �]f  \  }
}}|
|v rŒ|j!                  |
«       |r
|t"        k  rŒ*t%        |
«      }|s|dz  }Œ=t'        ||
«      \  }}}|s|}|s|}|r|t"        k  r|dz  }Œft)        ||
«      \  }}}t        t+        j,                  d	d
|«      j/                  «       «      }|dk  rt        d|d d z  d¬«       |dz  }ŒÂt0        |
|
||d
|t2        d
t4        |rdj7                  d„ |D «       «      nd
dœ}t8        r)|j;                  |«       t        d|d d ›d|›d�d¬«       n(|j;                  |«       t        d|d d ›d|›d�d¬«       |dz  }t=        j>                  d«       �Œi �ŒÑ t8        rltA        t8        dd¬«      5 }|D ]+  }|jC                  tE        jF                  |d¬«      dz   «       Œ- 	 d d d «       t        dt8        t        |«      fz  d¬«       n | |tH        ¬«       t        d|z  d¬«       t        d|z  d¬«       t        d t0        z  d¬«       y # 1 sw Y   ŒlxY w)!Nr   )Úpush_to_searchdbr   zPage %d API failedTr   zPage %d: empty, stopzPage %d: %d items (total=%s)rb   r   é
   z  skip empty: %sé(   z; c              3   ó0   K  — | ]  \  }}|›d |›�–— Œ y­w)ú|N© )r“   Úur   s      r   r•   zmain.<locals>.<genexpr>  s   è ø€ Ò(K¹d¸aÀ²A±qÔ)9Ñ(Kùs   ‚)Ú	site_nameÚ
source_urlr5   rN   Úpub_dateÚsummaryr.   ÚcategoryÚtagsÚ
group_namers   z
  JSONL + z (ú)z  + gš™™™™™©?ÚwrR   )rS   F)Úensure_asciir{   zJSONL written: %s (%d rows))Úbatch_labelu
   æ–°å¢ž: %du
   è·³è¿‡: %dz=== %s done ===)%Úsysrh   Úinsertrg   ÚdirnameÚabspathÚ__file__Úcrawler_libr©   ÚsetÚrangeÚ_PAGESr<   r3   rP   rC   ÚaddÚ_CUTOFF_DATErT   r§   r�   r   r   r   Ú	SITE_NAMEÚCATEGORYÚ
GROUP_NAMErƒ   r   rF   ÚtimeÚsleepÚopenÚwriteÚjsonÚdumpsÚSCRIPT_NAME)r©   Ú	new_countÚ
skip_countÚ	seen_urlsÚbatchÚ
jsonl_rowsr4   r:   r9   rG   r5   rN   rO   ÚdhtmlÚdtitleÚddater¢   r.   r†   ÚattsÚ	plain_lenÚitemÚfÚrows                           r   ÚmainrÝ   Ò   sñ  € Ü‡H�H‡O�O�A”r—w‘w—‘¤r§w¡w§¡´xÓ'@ÓAÔBÝ,Ø€IØ€JÜ“€IØ€EØ€Jä�aœ !™Ó$ó 0ˆÜ" 4›‰ˆ�Øˆ?ÜÐ&¨Ñ-°TÕ:ÚÜ˜gÓ&ˆÙÜÐ(¨4Ñ/°tÕ<ÚÜÐ,°´c¸%³jÀ%Ð/HÑHÐPTÕUØ %ó &	ÑˆC�˜Ø�iÑØØ�M‰M˜#ÔÙ˜œ|Ò+ØÜ˜#“JˆEÙØ˜a‘�
ØÜ*6°u¸cÓ*BÑ'ˆF�E˜<ÙØ�ÙØ�Ù˜¤Ò-Ø˜a‘�
ØÜ'3°LÀ#Ó'FÑ$ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIØ˜2Š~ÜÐ(¨6°#°2¨;Ñ6¸dÕCØ˜a‘�
Øä&°cÀ#Ø¨U¸rØ"´À"Ü(ÙOS˜tŸy™yÑ(KÀdÔ(KÔKÐY[ñˆDõ Ø×!Ñ! $Ô'Ý¨V°C°Rª[º%Ð@ÈÖMà—‘˜TÔ"Ý v¨c¨r¢{²EÐ:À$ÕGØ˜‰NˆIÜ�J‰J�tÖòM&	ð0õd Ü”*˜c¨GÔ4ð 	D¸Ø!ò D�Ø—‘œŸ
™
 3°UÔ;¸dÑBÕCñD÷	Dô 	Ð+¬z¼3¸z»?Ð.KÑKÐSWÖXá˜¬KÕ8ä	ˆ,˜Ñ
"¨$Õ/Ü	ˆ,˜Ñ
#¨4Õ0Ü	Ð
œiÑ
'¨tÖ4÷	Dð 	Dús   É41LÌLÚ__main__)/Ú__doc__r»   rg   r   rÉ   rÍ   Úurllib.parserk   Úsqlite3rE   r%   rÆ   rÈ   rÏ   rÇ   Úbs4r   ÚImportErrorÚenvironr'   r   r   r&   r(   Ú
_MAX_PAGESr‚   Úargvr�   rX   rD   r/   rj   Ú
ValueErrorrC   rÃ   Ú_DAYS_CUTOFFÚstrftimeÚ	localtimerÅ   r   r<   rP   rT   r�   r§   rÝ   Ú__name__r®   r   r   ú<module>rì      sÆ  ðñ Kß 5× 5× 5Ó 5à#€Ø
Ð6Ñ
6€Ø-€	Ø€
Ø!€Ø€ðÝ!ð �*‰*�.‰.˜Ð$5Ó
6€Ø�Z‰Z�^‰^˜L¨"Ó-€
ð €ð @Ø'ñ€ð
 €
Ù�c—h‘hÓò 
�D€A€qØ‡|�|�JÔð	Ù˜QŸW™W S¨!›_¨QÑ/Ó0‰Jð 
ˆi‹˜A ™E¡C¨¯©£MÓ1ð	Ù˜SŸX™X a¨!¡e™_Ó-‰Jð
ð " Q’‰¨A€à€Øˆt�}‰}˜Z¨¨¯©¸	¸¿	¹	»ÀlÐUZÑFZÑ8ZÓ)[Ó\€òòò$ò(
òO/òd%ò,E5ðP ˆzÒÙ…Fð øðW ò ØƒMðûð$ ò 	Ùð	ûð
 ò 	Ùð	ús5   ¯E Â E*ÃE5ÅE'Å&E'Å*E2Å1E2Å5E=Å<E=