Ë
    3sj‚;  ã                   óœ  — 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
Z
dZdZd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edœZdZ eej:                  «      D ]k  \  ZZejA                  d«      r	  e!ejE                  dd«      d   «      ZŒ4edk(  sŒ:edz    e$ej:                  «      k  sŒS	  e!ej:                  edz      «      ZŒm edk\  rendZ%d„ Z&d„ Z'd!d„Z(d„ Z)d„ Z*d„ Z+d„ Z,d„ Z-e.d k(  r e*«        yy# e$ r dZY Œüw xY w# e#$ r Y Œ²w xY w# e#$ r Y Œ½w xY w)"u^  
å¹¿å®�åŽ¿äººæ°‘æ”¿åºœ-é€šçŸ¥å…¬å‘Š (gdgn)
åˆ—è¡¨: /xwzx/tzgg/ + index_{N}.html (19é¡µ 276æ�¡, å¹¿ä¸œç»Ÿä¸€å�‘å¸ƒå¹³å�°)
è¯¦æƒ…: /xwzx/tzgg/content/post_{æ•°å­—}.html
æ­£æ–‡: div.conTxt > div#fontzoom
æ³¨æ„�: æœ�åŠ¡å™¨IPè¢«å±�è”½, æœ¬åœ°Macç›´è¿žIP+Hostå¤´ (é™�çº§é—­çŽ¯æ¨¡å¼�)
ç”¨æ³•: JSONL_PATH=/tmp/gdgn.jsonl python3 crawl_gdgn_tzgg.py --pages=1
é    Nzwww.gdgn.gov.cnz119.125.233.69u   å¹¿å®�åŽ¿-é€šçŸ¥å…¬å‘Šu   å¹¿ä¸œzcrawl_gdgn_tzgg.pyu   çŽ¯è¯„å…¬ç¤ºz/xwzx/tzgg/)ÚBeautifulSoupÚDB_PATHz/mnt/data/search.dbÚ
JSONL_PATHÚ úutf-8zkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9)z
User-AgentÚAcceptzAccept-LanguageÚHosté   z--pages=ú=z--pagesc                 ó~   — | j                  dt        z   dt        z   «      j                  dt        z   dt        z   «      S )uI   https://www.gdgn.gov.cn/xxx -> https://119.125.233.69/xxx (ä¿�ç•™Hostå¤´)úhttps://zhttp://)ÚreplaceÚBASE_DOMAINÚBASE_IP)Úurls    ú$/root/gov_crawler/crawl_gdgn_tzgg.pyÚ	to_ip_urlr   5   s7   € à�;‰;�z¤KÑ/°¼gÑ1EÓF×NÑNÈyÔ[fÑOfÐhqÔt{Ñh{Ó|Ð|ó    c                 ó2  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } t        j                  dd| «      } | j                  «       S )	Nr   u   â€‹u   â€Œu   â€�u   ï»¿u3   ^\s*(?:&middot;|Â·|\u00b7)?\s*(?:&nbsp;|\u00a0)?\s*ú\s+ú )Úhtml_libÚunescaper   ÚreÚsubÚstrip)Úts    r   Úclean_titler   :   s‚   € ÙØÜ×Ñ˜!Ó€AØ	�	‰	�(˜BÓ×'Ñ'¨°"Ó5×=Ñ=¸hÈÓK×SÑSÐT\Ð^`Óa€AÜ
�‰ÐEÀrÈ1ÓM€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðr   c                 óø  — dd l }dd l}|j                  |j                  j                  «       t        t        «      }|r||d<   d }t        d«      D ]m  }	 |j                  t        | «      ||d¬«      }|j                  dk(  rt        |_        |j                  c S d|j                  z  }t!        j"                  d	«       Œo t%        d
| d d ›d|›�d¬«       y # t        $ r}	t        |	«      d d }Y d }	~	ŒJd }	~	ww xY w)Nr   ÚRefereré   F)ÚheadersÚtimeoutÚverifyéÈ   zHTTP %séP   é   z  [fetch fail] éZ   z -> T©Úflush)ÚrequestsÚurllib3Údisable_warningsÚ
exceptionsÚInsecureRequestWarningÚdictÚHEADERSÚrangeÚgetr   Ústatus_codeÚENCÚencodingÚtextÚ	ExceptionÚstrÚtimeÚsleepÚprint)
r   Úrefererr#   r+   r,   ÚhÚlast_errÚ_ÚrÚes
             r   ÚfetchrC   D   sÞ   € ßØ×Ñ˜W×/Ñ/×FÑFÔGÜŒW‹€AÙØˆˆ)‰Ø€HÜ�1‹Xò 	ˆð	#Ø—‘œY s›^°QÀÐPU�ÓVˆAØ�}‰} Ò#Ü �”
Ø—v‘v’Ø  1§=¡=Ñ0ˆHô 	�
‰
�1�ð	õ 
 s¨3¨B¢x±Ð
:À$ÕGØøô	 ò 	#Ü˜1“v˜c˜r�{�Hûð	#ús   ÁACÂCÃ	C9Ã!C4Ã4C9c           
      ó4  ‡‡ ‡!‡"— | sddg fS t        j                  dd| t         j                  ¬«      } 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        j                  dd| «      } t        j                  d	d| «      } t        �r‚	 t	        | d
«      }|j                  dd¬«      D �]>  }|j                  d«      sG|j                  d«      s6t        j                  d|j                  dd«      t         j                  «      sŒ\|d   }|j                  d«      xs |}|j                  d¬«      xsW |j                  d«      xsD |j                  d«      xs1 t        j                  j                  |j                  d«      d   «      }t        j                  j                  ‰|«      }‰ j!                  ||f«       dt#        ‰!«      z  }d|›d|›d�‰!|<   |j%                  |«       �ŒA |j                  d«      D ]_  }	|	j                  d«      xs |	j                  d«      xs d}
d|
j'                  «       v sd|
j'                  «       v sŒP|	j)                  «        Œa |j                  d«      D �]@  }|j                  d«      }|sŒ|j                  d¬«      rŒ+g }|D ]Ò  }	|	j                  d«      xs |	j                  d«      xs d}
|
sŒ.t        j                  j                  ‰|
«      }|	j                  d «      xs |	j                  d«      xs dj+                  «       xs5 t        j                  j                  |
j                  d«      d   «      xs d!}|j!                  d|›d|›d�«       ŒÔ |s�Œd"t#        ‰!«      z  }d#d$j-                  |«      z   d%z   ‰!|<   |j%                  |«       �ŒC |j                  d«      D �]8  }	|	j                  d«      xs |	j                  d«      xs d}
|
rd|
j'                  «       v rŒAt        j                  j                  ‰|
«      }|	j                  d «      xs |	j                  d«      xs dj+                  «       xs5 t        j                  j                  |
j                  d«      d   «      xs d!}d"t#        ‰!«      z  }d&}|	j.                  }|�!|j0                  dk(  rd}n|j.                  }|�Œ!|rd|›d|›d�‰!|<   nd'|›d|›d(�‰!|<   |	j%                  |«       �Œ; t3        |«      } t        j                  d)d*| t         j                  t         j                  z  ¬«      } ˆ ˆ!ˆfd+„}t        j                  d,|| t         j                  t         j                  z  ¬«      } t        rQ	 t	        | d
«      }|j                  d«      D ]%  }d-D ]  }|j6                  j9                  |d «       Œ  Œ' t3        |«      } g Š"ˆ!ˆ"fd.„}t        j                  d/| t         j                  «      rd0nd}t        j                  d1|| t         j                  t         j                  z  ¬«      } t        j                  d%d2| t         j                  ¬«      } t        j                  d3d4| t         j                  ¬«      } t        j                  d5d| t         j                  ¬«      } g }| j                  d6«      D �]}  }|j+                  «       }|sŒt        j                  d7d|«      }t        j                  d8d|«      }|j;                  d9d«      j;                  d:d;«      }t        j                  d<d;|«      }t        j                  d=d|«      }t=        j>                  |«      }|j;                  d>d;«      j;                  d?d;«      }t        j                  d@d|«      }|sŒæt        j                  dAd|t         j                  ¬«      }‰!jA                  «       D ]  \  }}|j;                  ||«      }Œ tC        ‰"«      D ]  \  }}|j;                  dB|z  |«      }Œ |j!                  |j+                  «       «       �Œ€ d6j-                  |«      }‰!jA                  «       D ]  \  }}|j;                  ||«      }Œ tC        ‰"«      D ]  \  }}|j;                  dB|z  |«      }Œ t        j                  dCd|«      }t        j                  dDd|«      }t        j                  dEd|«      }t        j                  dFd|«      }t=        j>                  |«      }t        j                  dGd4|«      }t        j                  dHd6|«      }t        j                  d<d;|«      }tE        «       }g }|j                  d6«      D ]X  }t        j                  dIdt        j                  d=d|«      «      }|sŒ2||v rŒ7|jG                  |«       |j!                  |«       ŒZ d6j-                  |«      j+                  «       }||‰ fS # t4        $ r Y �Œw xY w# t4        $ r Y �ŒCw xY w)JNr   r   z
<!--.*?-->©Úflagsz<meta[^>]*>z<script[^>]*>.*?</script>z<style[^>]*>.*?</style>u   ã€�å­—å�·ï¼š[^ã€‘]*ã€‘u'   å�‘å¸ƒ(?:æ—¶é—´|æ—¥æœŸ)[:ï¼š][^<]{0,30}úhtml.parserÚaT)ÚhrefÚappendixzdata-appendixz\.(pdf|docx?|xlsx?|zip|rar|wps)rI   Úoldsrc)r   Ú_titleÚtitleú?z__ATTACH__%d__ú	<a href="ú" target="_blank">ú</a>ÚimgÚsrczfileTypeImages/icon_ÚfiletypeimagesÚpÚaltu   å›¾ç‰‡z__IMG__%d__ú<p>z<br/>ú</p>Fz<p><a href="z</a></p>z&<a\s+name="OLE_LINK\d+"[^>]*>(.*?)</a>z\1c                 ó6  •— | j                  d«      }|j                  d«      ry| j                  d«      }t        j                  dd|«      }t	        j
                  |«      j                  «       }t        j                  dd|«      j                  «       }|s5t        j                  j                  |j                  d«      d   «      xs d	}t        j                  j                  ‰|«      }‰j                  ||f«       d
t        ‰«      z  }d|›d|›d�‰|<   |S )Nr
   zjavascript:r   r'   ú<[^>]+>u   ^é™„ä»¶[:ï¼š]\s*rN   r   u   é™„ä»¶z__LINK__%d__rO   rP   rQ   )ÚgroupÚ
startswithr   r   r   r   r   ÚosÚpathÚbasenameÚsplitÚurllibÚparseÚurljoinÚappendÚlen)	ÚmrI   ÚinnerÚtxtÚabs_urlÚkeyÚattachmentsÚlink_protectÚpage_urls	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repl    sç   ø€ Ø�w‰w�q‹zˆØ�?‰?˜=Ô)ØØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*Ñ*Ó,ˆÜ�f‰fÐ(¨"¨cÓ2×8Ñ8Ó:ˆÙÜ—'‘'×"Ñ" 4§:¡:¨c£?°1Ñ#5Ó6ÒB¸(ˆCÜ—,‘,×&Ñ& x°Ó6ˆØ×Ñ˜G S˜>Ô*Øœs <Ó0Ñ0‰ÚELÊcÐRˆ�SÑØˆ
r   z&<a\s[^>]*href="([^"]+)"[^>]*>(.*?)</a>)ÚstyleÚclassÚlangÚdirÚalignÚvalignÚwidthÚheightÚborderÚcellpaddingÚcellspacingÚ
indenttextÚnoextractcontentÚwzadesÚtabindexc                 óZ  •— | j                  d«      }‰j                  «       D ]I  \  }}|j                  d«      sŒ|j                  ||j                  dd«      j                  dd«      «      }ŒK t	        j
                  dd|t        j                  ¬«      }t	        j
                  dd|t        j                  ¬«      }t	        j
                  d	d|t        j                  ¬«      }t	        j
                  d
d|t        j                  ¬«      }‰j                  |«       dt        ‰«      dz
  z  S )Nr   Ú__IMG__rW   r   rX   ú(</?(?:span|font|o:p|st1?:[a-z]+)\b[^>]*>rE   z<p>\s*(?:(?:\r?\n)\s*)*<p>z</p>\s*(?:(?:\r?\n)\s*)*</p>z<p>\s*(?:(?:\r?\n)\s*)*</p>ú__TBL__%d__r
   )	r[   Úitemsr\   r   r   r   ÚIrd   re   )rf   ÚtblÚkÚvrl   Útable_protects       €€r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_repl¼   sî   ø€ Ø�g‰g�a‹jˆØ ×&Ñ&Ó(ò 	O‰DˆAˆqØ�|‰|˜IÕ&Ø—k‘k ! Q§Y¡Y¨u°bÓ%9×%AÑ%AÀ&È"Ó%MÓN‘ð	Oô �f‰fÐ@À"ÀcÔQS×QUÑQUÔVˆÜ�f‰fÐ2°E¸3ÄbÇdÁdÔKˆÜ�f‰fÐ4°f¸cÌÏÉÔNˆÜ�f‰fÐ3°R¸ÄBÇDÁDÔIˆØ×Ñ˜SÔ!Ø¤ MÓ 2°QÑ 6Ñ7Ð7r   z<table[^>]*>r
   z<table[^>]*>.*?</table>z</p>

z	<br\s*/?>ú
r€   z

z(?<=>)\s*[\r\n\t]+\s*z\s*[\r\n\t]+\s*(?=<)úú	r   z	[ \t]{2,}rZ   õ   Â z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+z
<p>\s*</p>r�   z__LINK__\d+__z__TBL__\d+__z__IMG__\d+__z__ATTACH__\d+__z[ \t]+\nz\n{3,}r   )$r   r   ÚSrƒ   r   Úfind_allr3   ÚsearchÚget_textr]   r^   r_   r`   ra   rb   rc   rd   re   Úreplace_withÚlowerÚ	decomposer   ÚjoinÚparentÚnamer9   r8   ÚattrsÚpopr   r   r   r‚   Ú	enumerateÚsetÚadd)#Úcontentrm   Ú_souprH   rI   Ú	real_hrefrh   ri   rj   rR   rS   rU   ÚimgsÚsrcsÚhas_p_ancestorÚ_parrn   ÚtagÚattrrˆ   Ú	has_tableÚpartsÚblockÚbÚplainr…   r†   Úir„   ÚoutÚseenÚfinalrk   rl   r‡   s#    `                              @@@r   Úhtml_to_textr®   Y   sR	  û€ ÙØ�1�bˆyÐÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰f�^ R¨¼¿¹Ô=€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€Gà€KØ€Lä�f‰fÐ.°°GÓ<€GÜ�f‰fÐ?ÀÀWÓM€Gæð3	Ü! '¨=Ó9ˆEØ—^‘^ C¨d�^Ó3ó 	(�Ø—5‘5˜Ô$¨¯©¨oÔ(>Ä"Ç)Á)ÐLnÐpq×puÑpuÐv|ð  Aó  qBô  DF÷  DHñ  DHõ  CIØ˜V™9�DØ !§¡ h£Ò 7°4�IØŸ*™*¨4˜*Ó0ò  C°A·E±E¸(³Oò  CÀqÇuÁuÈWÃ~ò  CÔY[×Y`ÑY`×YiÑYiÐjs×jyÑjyÐz}Ój~ð  @Añ  kBó  ZC�CÜ$Ÿl™l×2Ñ2°8¸YÓG�GØ×&Ñ&¨° ~Ô6Ø*¬S°Ó->Ñ>‘CÚQXÒZ]Ð(^�L Ñ%Ø—N‘N 3Ö'ð	(ð —~‘~ eÓ,ò $�Ø—w‘w˜u“~Ò@¨¯©°Ó):Ò@¸b�Ø)¨S¯Y©Y«[Ñ8Ð<LÐPS×PYÑPYÓP[Ò<[Ø—M‘M•Oð$ð —^‘^ CÓ(ó ,�Ø—z‘z %Ó(�Ú §
¡
° 
Õ 6Ø�DØ#ò `˜Ø!Ÿg™g e›nÒG°·±¸Ó0AÒGÀR˜ÚÜ&,§l¡l×&:Ñ&:¸8ÀSÓ&I˜GØ#&§7¡7¨5£>Ò#K°S·W±W¸WÓ5EÒ#KÈ×"RÑ"RÓ"Tò  #HÔXZ×X_ÑX_×XhÑXhÐil×irÑirÐsvÓiwÐxyÑizÓX{ò  #Hð  @H˜CØ ŸKšKÒQXÒZ]Ð(^Õ_ð`ó Ø+¬c°,Ó.?Ñ?˜Ø,1°G·L±LÀÓ4FÑ,FÈÑ,O˜ SÑ)ØŸ™ sÖ+ð,ð —~‘~ eÓ,ó &�Ø—g‘g˜e“nÒ?¨¯©°Ó(9Ò?¸R�ÙÐ4¸¿	¹	»ÑCØÜ Ÿ,™,×.Ñ.¨x¸Ó=�Ø—w‘w˜u“~Ò?¨¯©°Ó)9Ò?¸R×FÑFÓHÒ{ÌBÏGÉG×L\ÑL\Ð]`×]fÑ]fÐgjÓ]kÐlmÑ]nÓLoÒ{Ðs{�Ø#¤c¨,Ó&7Ñ7�Ø!&�Ø—z‘z�ØÐ&Ø—y‘y CÒ'Ø)-˜ØØŸ;™;�Dð	 Ñ&ò
 "ÚQXÒZ]Ð(^�L Ò%ð "ò Y`ÒadÐ(e�L Ñ%Ø× Ñ  Ö%ð%&ô& ˜%“jˆGô
 �f‰fÐ>ÀÀwÔVX×VZÑVZÔ]_×]aÑ]aÑVaÔb€Göô �f‰fÐ>À
ÈGÔ[]×[_Ñ[_Ôbd×bfÑbfÑ[fÔg€Gåð	Ü! '¨=Ó9ˆEØ—~‘~ dÓ+ò .�ð Dò .�DØ—I‘I—M‘M $¨Õ-ñ.ð.ô ˜%“jˆGð €Mõ
8ô —Y‘Y˜°¼¿¹Ô>‘ÀA€IÜ�f‰fÐ/°¸GÌ2Ï4É4ÔRT×RVÑRVÉ;ÔW€Gä�f‰f�W˜j¨'¼¿¹Ô>€GÜ�f‰f�\ 4¨¼¿¹Ô=€GÜ�f‰fÐ@À"ÀgÔUW×UYÑUYÔZ€Gà€EØ—‘˜vÓ&ó  ˆØ�K‰K‹MˆÙØÜ�F‰FÐ+¨R°Ó3ˆÜ�F‰FÐ*¨B°Ó2ˆØ�I‰I�d˜BÓ×'Ñ'¨¨cÓ2ˆÜ�F‰F�<  aÓ(ˆÜ—‘�z 2 qÓ)ˆÜ×!Ñ! %Ó(ˆØ—‘˜f cÓ*×2Ñ2°8¸SÓAˆÜ—‘Ð7¸¸UÓCˆÙØÜ�F‰F�= " a¬r¯t©tÔ4ˆØ ×&Ñ&Ó(ò 	 ‰DˆAˆqØ—	‘	˜!˜Q“‰Að	 ä Ó.ò 	2‰FˆAˆsØ—	‘	˜-¨!Ñ+¨SÓ1‰Að	2à�‰�Q—W‘W“YÖð' ð* �+‰+�eÓ
€CØ×"Ñ"Ó$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 2‰ˆˆ3Ø�k‰k˜-¨!Ñ+¨SÓ1‰ð2ô �&‰&Ð! 2 sÓ
+€CÜ
�&‰&� " cÓ
*€CÜ
�&‰&� " cÓ
*€CÜ
�&‰&Ð# R¨Ó
-€Cä
×
Ñ
˜CÓ
 €CÜ
�&‰&�˜d CÓ
(€CÜ
�&‰&�˜F CÓ
(€CÜ
�&‰&�˜s CÓ
(€Cä‹5€DØ€EØ�Y‰Y�vÓò ˆÜ�f‰f�V˜R¤§¡¨
°B¸Ó!:Ó;ˆÙØØ�$‰;ØØ�‰�ŒØ�‰�Q�ðð �+‰+�eÓ
×
"Ñ
"Ó
$€Cà�	˜;Ð&Ð&øôM ò 	Úð	ûô< ò 	Úð	úsS   ÄA:i: Å?Ei: Ë:i: Ìi: Ì1i: ÍB)i: Ï1Ei: Õ:i: ØAj
 é:	jêjê
	jêjc                  óÀ  — dd l } | j                  «       }|j                  j                  t        «       d|_        d}d}t        «       }g }g }t        dt        dz   «      D �]
  }	 t        ||«      }t        |«      }	|	st        d|z  d¬«        �nÝt        d|t        |	«      fz  d¬«       |	D �]¤  \  }}}||v rŒ|j                  |«       t        |«      }|s|dz  }Œ1t!        ||«      \  }}}|s|}|s|}t#        ||«      \  }}}t        t%        j&                  d	d
|«      j)                  «       «      }t%        j*                  d|t$        j,                  «       xr+ t%        j*                  d|t$        j,                  «       xr | }|dk  s|rt        d|d d z  d¬«       |dz  }Œút.        ||||d
|t0        d
t2        |rdj5                  d„ |D «       «      nd
dœ}t6        r/|j9                  |«       t        d|d d ›d|›d�d¬«       |dz  }�Œc|j9                  |«       |dz  }t        d|d d ›d|›d�d¬«       t;        j<                  d«       �Œ§ t;        j<                  d«       �Œ t6        rlt?        t6        dd¬«      5 }|D ]+  }|jA                  tC        jD                  |d¬«      dz   «       Œ- 	 d d d «       t        dt6        t        |«      fz  d¬«       n|rddl#m$}  ||tJ        ¬ «       t        d!|z  d¬«       t        d"|z  d¬«       t        d#t.        z  d¬«       y # t        $ r}
t        d||
fz  d¬«       Y d }
~
 ŒÞd }
~
ww xY w# 1 sw Y   Œ�xY w)$Nr   Fr
   zPage %d fetch error: %sTr)   zPage %d: empty, stopzPage %d: found %d itemsrZ   r   z<p[ >]z<a[ >]é
   z  skip empty/placeholder: %sé(   z; c              3   ó0   K  — | ]  \  }}|›d |›�–— Œ y­w)ú|N© )Ú.0Úur   s      r   ú	<genexpr>zmain.<locals>.<genexpr>3  s   è ø€ Ò(K¹d¸aÀ²A±qÔ)9Ñ(Kùs   ‚)Ú	site_nameÚ
source_urlr   rM   Úpub_dateÚsummaryrœ   ÚcategoryÚtagsÚ
group_namerk   z
  JSONL + z (ú)z  + g      Ð?g      à?Úwr   )r6   )Úensure_asciir‰   zJSONL written: %s (%d rows))Úpush_to_searchdb)Úbatch_labelu
   æ–°å¢ž: %du
   è·³è¿‡: %dz=== %s done ===)&r+   ÚSessionr"   Úupdater1   r$   rš   r2   Ú_PAGESÚ
fetch_listÚ
parse_listr8   r<   re   r›   rC   Úparse_detailr®   r   r   r   r�   rƒ   Ú	SITE_NAMEÚCATEGORYÚ
GROUP_NAMEr”   r   rd   r:   r;   ÚopenÚwriteÚjsonÚdumpsÚcrawler_librÂ   ÚSCRIPT_NAME)r+   ÚsÚ	new_countÚ
skip_countÚ	seen_urlsÚ
jsonl_rowsÚbatchÚpageÚ	html_textr‚   rB   ri   rM   ÚdateÚdhtmlÚdtitleÚddateÚcontent_htmlrœ   r¥   ÚattsÚ	plain_lenÚno_paraÚitemÚfÚrowrÂ   s                              r   Úmainræ     sB  € ÛØ×ÑÓ€AØ‡I�I×Ñ”WÔØ€A„Hà€IØ€JÜ“€IØ€JØ€Eä�aœ !™Ó$ó /ˆð	Ü" 1 dÓ+ˆIÜ˜yÓ)ˆEñ ÜÐ(¨4Ñ/°tÕ<ÚÜÐ'¨4´°U³Ð*<Ñ<ÀDÕIØ$)ó #	Ñ ˆG�U˜DØ˜)Ñ#ØØ�M‰M˜'Ô"Ü˜'“NˆEÙØ˜a‘�
ØÜ*6°u¸gÓ*FÑ'ˆF�E˜<ÙØ�ÙØ�Ü'3°LÀ'Ó'JÑ$ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIÜŸ)™) I¨w¼¿¹Ó=Ð=Ò{ÄbÇiÁiÐPYÐ[bÔdf×dhÑdhÓFiÐBiÒ{Ðr{Ðn{ˆGØ˜2Š~¡ÜÐ4°v¸c¸r°{ÑBÈ$ÕOØ˜a‘�
Øä&°gÀgØ¨U¸rØ"´À"Ü(ÙOS˜tŸy™yÑ(KÀdÔ(KÔKÐY[ñˆDõ Ø×!Ñ! $Ô'Ý¨V°C°Rª[º%Ð@ÈÕMØ˜Q‘�	ÙØ�L‰L˜ÔØ˜‰NˆIÝ 6¨#¨2¢;²Ð6¸dÕCÜ�J‰J�tÖðG#	ôH 	�
‰
�3Žð_/õb Ü”*˜c¨GÔ4ð 	D¸Ø!ò D�Ø—‘œŸ
™
 3°UÔ;¸dÑBÕCñD÷	Dô 	Ð+¬z¼3¸z»?Ð.KÑKÐSWÖXáÝ4Ù˜U´Õ<ä	ˆ,˜Ñ
"¨$Õ/Ü	ˆ,˜Ñ
#¨4Õ0Ü	Ð
œiÑ
'¨tÖ4øôs ò 	ÜÐ+¨t°Q¨iÑ7¸tÕDÝûð	ú÷\	Dð 	Dús$   Á%L+Ê1MÌ+	MÌ4MÍMÍMc                 ó²   — |dk(  rdt         z   t        z   }ndt         z   d|z  z   }| j                  t        |«      d¬«      }t        |_        |j                  S )Nr
   r   z/xwzx/tzgg/index_%d.htmlé   )r#   )r   Ú	LIST_PATHr3   r   r5   r6   r7   )ÚsessionrÙ   r   rA   s       r   rÇ   rÇ   O  sS   € Øˆq‚yØœ;Ñ&¬Ñ2‰àœ;Ñ&Ð)CÀdÑ)JÑJˆØ�‰”I˜c“N¨BˆÓ/€AÜ€A„JØ�6‰6€Mr   c           
      óT  — g }t        j                  d| t         j                  t         j                  z  «      D ]ì  }t	        j
                  |j                  d«      «      j                  «       }t	        j
                  t        j                  dd|j                  d«      «      «      j                  «       }t        |«      }|rt        |«      dk  rŒ˜d}t        j                  dt        j                  |«      z  | «      }|r|j                  d«      }|j                  |||f«       Œî |S )Nz[<a[^>]*href="(https?://www\.gdgn\.gov\.cn/xwzx/tzgg/content/post_\d+\.html)"[^>]*>(.*?)</a>r
   rZ   r   r'   é   uJ   <a[^>]*href="%s"[^>]*title="[^"]*?å�‘è¡¨æ—¶é—´[ï¼š:]\s*(\d{4}-\d{2}-\d{2}))r   Úfinditerr�   rƒ   r   r   r[   r   r   r   re   r�   Úescaperd   )rÚ   r‚   rf   rI   rh   rM   rÛ   Útms           r   rÈ   rÈ   Y  s  € Ø€Eä�[‰[Ðwð  zCô  EG÷  EIñ  EIô  LN÷  LPñ  LPñ  EPó  Qò *ˆÜ× Ñ  §¡¨£Ó,×2Ñ2Ó4ˆÜ×Ñ¤§¡ z°2°q·w±w¸q³zÓ BÓC×IÑIÓKˆÜ˜CÓ ˆÙœ˜E›
 QšØØˆä�Y‰YÐdÔgi×gpÑgpÐquÓgvÑvð  yBó  CˆÙØ—8‘8˜A“;ˆDØ�‰�d˜E 4Ð(Õ)ð*ð €Lr   c                 óØ  — d}d}d}t        j                  d| «      }|rt        |j                  d«      «      }|sRt        j                  d| t         j                  t         j
                  z  «      }|rt        |j                  d«      «      }t        j                  d| «      }|rU|j                  d«      ›d|j                  d«      j                  d«      ›d|j                  d«      j                  d«      ›�}t        rgt        | d	«      }|j                  d
«      xs$ |j                  d«      xs |j                  d«      }|r"dj                  d„ |j                  D «       «      }|||fS )Nr   z)<meta name="ArticleTitle" content="(.*?)"r
   z<title>(.*?)</title>u'   (\d{4})[-å¹´/](\d{1,2})[-æœˆ/](\d{1,2})ú-r'   r!   rG   zdiv.conTxt div#fontzoomz
div.conTxtzdiv#zoomc              3   ó2   K  — | ]  }t        |«      –— Œ y ­w)N)r9   )rµ   Úcs     r   r·   zparse_detail.<locals>.<genexpr>}  s   è ø€ Ò"?¨a¤3 q§6Ñ"?ùs   ‚)r   r�   r   r[   r�   rƒ   Úzfillr   Ú
select_oner”   Úcontents)	rÚ   rm   rM   rÛ   rß   rf   ÚdmÚsoupÚels	            r   rÉ   rÉ   k  s#  € Ø€EØ€DØ€LÜ
�	‰	Ð>À	ÓJ€AÙÜ˜AŸG™G A›JÓ'ˆÙÜ�I‰IÐ-¨y¼"¿$¹$ÄÇÁ¹+ÓFˆÙÜ §¡¨£
Ó+ˆEÜ	�‰Ð=¸yÓ	I€BÙ	ØŸX™X a�[¨"¯(©(°1«+×*;Ñ*;¸AÕ*>ÀÇÁÈÃ×@QÑ@QÐRSÔ@TÐUˆÝÜ˜Y¨Ó6ˆØ�_‰_Ð6Ó7Òw¸4¿?¹?È<Ó;XÒwÐ\`×\kÑ\kÐlvÓ\wˆÙØŸ7™7Ñ"?°2·;±;Ô"?Ó?ˆLØ�$˜Ð$Ð$r   Ú__main__)Nrè   )/Ú__doc__Úsysr]   r   r:   Úhtmlr   Úurllib.parsera   Úsqlite3rÏ   r   r   rÊ   rÌ   rÒ   rË   ré   Úbs4r   ÚImportErrorÚenvironr3   r   r   r5   r1   Ú
_MAX_PAGESr™   Úargvrª   rH   r\   Úintr`   Ú
ValueErrorre   rÆ   r   r   rC   r®   ræ   rÇ   rÈ   rÉ   Ú__name__r´   r   r   ú<module>r     s›  ðñ÷ H× G× G× Gà€Ø
€Ø$€	Ø€
Ø"€Ø€Ø€	ðÝ!ð �*‰*�.‰.˜Ð$9Ó
:€Ø�Z‰Z�^‰^˜L¨"Ó-€
Ø€ð @ØOØ'Øñ	€ð €
Ù�c—h‘hÓò 
�D€A€qØ‡|�|�JÔð	Ù˜QŸW™W S¨!›_¨QÑ/Ó0‰Jð 
ˆi‹˜A ™E¡C¨¯©£MÓ1ð	Ù˜SŸX™X a¨!¡e™_Ó-‰Jð
ð " Q’‰¨A€ò}ò
óò*g'òTI5òXòò$%ð, ˆzÒÙ…Fð øðU ò Ø‚Mðûð& ò 	Ùð	ûð
 ò 	Ùð	ús5   ²D+ Â%D8Ã!EÄ+D5Ä4D5Ä8E Ä?E ÅEÅ
E