Ë
    ¸¬ujû*  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dl
mZ dZdZdZdZdZd	d
dedz   dœZdZ eej*                  «      D ]k  \  ZZej1                  d«      r	  eej5                  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„ Z d„ Z!d„ Z"d„ Z#d„ Z$d„ Z%e&dk(  r e%«        yy# e$ r dZY ŒÎw xY w# e$ r Y Œ±w xY w# e$ r Y Œ¼w xY w)u”  
å¹¿å¾·å¸‚äººæ°‘æ”¿åºœ - æœ€æ–°å…¬å¼€ (www.guangde.gov.cn/OpennessContent/showListAll/6/)
CMS: æ”¿åºœä¿¡æ�¯å…¬å¼€å¹³å�° (OpennessContent)
åˆ—è¡¨: /OpennessContent/showListAll/6/page_{N}.html, 30æ�¡/é¡µ (æŒ‰æ›´æ–°æ—¶é—´å€’åº�, è¶Šç•Œé¡µä»�è¿”å›žå†…å®¹)
      é“¾æŽ¥ /OpennessContent/show/{id}.html, æ ‡é¢˜æ–‡æœ¬å®Œæ•´(æ— çœ�ç•¥å�·)
è¯¦æƒ…: meta ArticleTitle(å®Œæ•´æ ‡é¢˜) + meta PubDate + div#zoom æ­£æ–‡
é    N)ÚBeautifulSoupzhttps://www.guangde.gov.cnu   å¹¿å¾·å¸‚-æœ€æ–°å…¬å¼€u   å®‰å¾½zcrawl_guangde_open.pyz/mnt/data/search.dbzkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9z*/OpennessContent/showListAll/6/page_1.html)z
User-AgentÚAcceptzAccept-LanguageÚRefereré   z--pages=ú=z--pagesc                 ó  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } | j                  «       S )NÚ u   â€‹u   â€Œu   â€�u   ï»¿ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    ú'/root/gov_crawler/crawl_guangde_open.pyÚclean_titler   5   so   € ÙØÜ×Ñ˜!Ó€AØ	�	‰	�(˜BÓ×'Ñ'¨°"Ó5×=Ñ=¸hÈÓK×SÑSÐT\Ð^`Óa€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 óŒ   — t         › d|› d�}| j                  |t        d¬«      }|j                  xs d|_        |j
                  S )Nz$/OpennessContent/showListAll/6/page_z.htmlé   ©ÚheadersÚtimeoutúutf-8)ÚBASE_URLÚgetÚHEADERSÚapparent_encodingÚencodingÚtext)ÚsessionÚpageÚurlÚrs       r   Ú
fetch_listr&   >   sD   € ÜˆJÐ:¸4¸&ÀÐ
F€CØ�‰�C¤°"ˆÓ5€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 óø  — g }t        j                  d| t         j                  t         j                  z  «      D ]¾  }|j	                  d«      }|j	                  d«      }t        j
                  dd|«      }t        j                  |«      j                  «       }t        j
                  dd|«      }|sŒyt        j                  j                  t        |«      }|sŒ |sŒ£|j                  |t        |«      f«       ŒÀ |S )NzF<a[^>]+href=[\"'](/OpennessContent/show/\d+\.html)[\"'][^>]*>(.*?)</a>r   é   ú<[^>]+>r	   r
   r   )r   ÚfinditerÚSÚIÚgroupr   r   r   r   ÚurllibÚparseÚurljoinr   Úappendr   )Ú	html_textÚitemsÚmÚhrefÚinnerÚtxtÚabs_urls          r   Ú
parse_listr9   E   sÊ   € Ø€EÜ�[‰[ØQØ”2—4‘4œ"Ÿ$™$‘;óò 6ˆð �w‰w�q‹zˆØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*Ñ*Ó,ˆÜ�f‰f�V˜S #Ó&ˆÙØÜ—,‘,×&Ñ&¤x°Ó6ˆÚ’7Ø�L‰L˜'¤;¨sÓ#3Ð4Õ5ð6ð €Lr   c                 óÎ  — d}d}d}t         �r,t        | d«      }|j                  ddt        j                  dt        j                  «      i¬«      }|r|j                  d«      rt        |d   «      }|j                  ddt        j                  dt        j                  «      i¬«      }|rM|j                  d«      r<|d   j                  «       }t        j                  d	|«      }	|	r|	j                  d
«      }|j                  dt        j                  dt        j                  «      ¬«      }
|
rt        |
«      }|sAt        j                  d| t        j                  «      }|rt        |j                  d«      «      }|s8t        j                  d| t        j                  «      }|r|j                  d
«      }|s)t        j                  d	| «      }|r|j                  d
«      }|||fS )Nr	   úhtml.parserÚmetaÚnameÚArticleTitle)ÚattrsÚcontentÚPubDatez(\d{4})-(\d{2})-(\d{2})r   ÚdivÚZoom)Úidz5<meta\s+name="\s*ArticleTitle\s*"\s+content="([^"]*)"r   z0<div[^>]*id=["\']?[Zz]oom["\']?[^>]*>(.*?)</div>)r   Úfindr   Úcompiler,   r   r   r   Úmatchr-   ÚstrÚsearchr+   )r2   Úpage_urlÚtitleÚdateÚcontent_htmlÚsoupÚmtÚmdÚdÚdmÚzoomr4   s               r   Úparse_detailrT   X   s‡  € Ø€EØ€DØ€LÞÜ˜Y¨Ó6ˆØ�Y‰Y�v f¬b¯j©j¸Ì"Ï$É$Ó.OÐ%PˆYÓQˆÙ�"—&‘&˜Ô#Ü  9¡Ó.ˆEØ�Y‰Y�v f¬b¯j©j¸ÄRÇTÁTÓ.JÐ%KˆYÓLˆÙ�"—&‘&˜Ô#Ø�9‘×#Ñ#Ó%ˆAÜ—‘Ð4°aÓ8ˆBÙØ—x‘x “{�Ø�y‰y˜¤2§:¡:¨g´r·t±tÓ#<ˆyÓ=ˆÙÜ˜t›9ˆLÙÜ�I‰IÐNÐPYÔ[]×[_Ñ[_Ó`ˆÙÜ §¡¨£
Ó+ˆEÙÜ�I‰IÐIÈ9ÔVX×VZÑVZÓ[ˆÙØŸ7™7 1›:ˆLÙÜ�I‰IÐ0°)Ó<ˆÙØ—7‘7˜1“:ˆDØ�$˜Ð$Ð$r   c           
      ó
  ‡‡‡‡— | 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  ¬«      } t        rQ	 t	        | d«      }|j                  d	«      D ]%  }d
D ]  }|j                  j                  |d «       Œ  Œ' t        |«      } | }t        j                  dd|t         j                  ¬«      }g Ši Šˆˆˆfd„}t        j                  d||t         j                  t         j                  z  ¬«      }g Šˆfd„}t        j                  d||t         j                  t         j                  z  ¬«      }t        j                  d| t         j                  «      rdnd}t        j                  dd|t         j                  ¬«      }t        j                  dd|t         j                  ¬«      }t        j                  dd|t         j                  ¬«      }g }	|j                  d«      D ]ï  }
|
j                  «       }|sŒt        j                  dd|«      }t        j                  |«      }|j                  dd«      j                  dd«      }t        j                  dd|«      }|sŒ~‰j!                  «       D ]  \  }}|j                  ||«      }Œ t#        ‰«      D ]  \  }}|j                  d|› d�|«      }Œ |	j%                  |j                  «       «       Œñ dj'                  |	«      }‰j!                  «       D ]  \  }}|j                  ||«      }Œ t#        ‰«      D ]  \  }}|j                  d|› d�|«      }Œ t        j                  dd|«      }t        j                  d d|«      }t        j                  |«      }t        j                  d!d|«      }t        j                  d"d|«      }t        j                  d#d|«      }t)        «       }g }|j                  d«      D ]X  }t        j                  d$dt        j                  dd|«      «      }|sŒ2||v rŒ7|j+                  |«       |j%                  |«       ŒZ dj'                  |«      j                  «       }||‰fS # t        $ r Y �Œâw xY w)%Nr	   r   z
<!--.*?-->)Úflagsz<meta[^>]*>z<script[^>]*>.*?</script>z<style[^>]*>.*?</style>r;   T)ÚstyleÚclassÚlangÚdirÚalignÚvalignÚwidthÚheightÚborderÚcellpaddingÚcellspacingz;<img[^>]*src="[^"]*fileTypeImages/icon_[a-z]+\.gif"[^>]*/?>c                 ó  •— | j                  d«      }| 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        ‰«      › d
�}d|› d|› d�‰|<   |S )Nr   r(   r)   r	   u   ^é™„ä»¶[:ï¼š]\s*ú?r   u   é™„ä»¶Ú__LINK__Ú__z	<a href="z" target="_blank">z</a>)r-   r   r   r   r   r   ÚosÚpathÚbasenameÚsplitr.   r/   r0   r1   Úlen)	r4   r5   r6   r7   r8   ÚkeyÚattachmentsÚlink_protectrJ   s	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repl‘   sè   ø€ Ø�w‰w�q‹zˆ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œ˜\Ó*Ð+¨2Ð.ˆØ'¨ yÐ0BÀ3À%ÀtÐLˆ�SÑØˆ
r   z&<a\s[^>]*href="([^"]+)"[^>]*>(.*?)</a>c                 óh   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  › d�S )Nr   Ú__TBL__r   re   )r1   r-   rj   )r4   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_repl¡   s3   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Øœ˜]Ó+¨AÑ-Ð.¨bÐ1Ð1r   z<table[^>]*>.*?</table>z<table[^>]*>r   z</p>z</p>

z	<br\s*/?>ú
z(</?(?:span|font|o:p|st1?:[a-z]+)\b[^>]*>z

r)   õ   Â r   z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+rp   re   z__LINK__\d+__z__TBL__\d+__z[ \t]+\nz\n{3,}z	[ \t]{2,}r
   )r   r   r+   r,   r   Úfind_allr?   ÚpoprH   Ú	ExceptionrI   ri   r   r   r   r   r3   Ú	enumerater1   ÚjoinÚsetÚadd)r@   rJ   Ú_soupÚtagÚattrÚcontent2rn   rr   Ú	has_tableÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutÚseenÚfinalÚprk   rl   rm   rq   s    `                    @@@r   Úhtml_to_textr�   y   sC  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€GÝð	Ü! '¨=Ó9ˆEØ—~‘~ dÓ+ò .�ð Lò .�DØ—I‘I—M‘M $¨Õ-ñ.ð.ô ˜%“jˆGð €HÜ�v‰vØFÈÈHÜ�d‰dô€Hð €KØ€Löô �v‰vÐ?ÀÈXÔ]_×]aÑ]aÔdf×dhÑdhÑ]hÔi€Hà€Mô2ô �v‰vÐ0°)¸XÌRÏTÉTÔTV×TXÑTXÉ[ÔY€HÜ—Y‘Y˜°¼¿¹Ô>‘ÀA€Iä�v‰v�g˜z¨8¼2¿4¹4Ô@€HÜ�v‰v�l D¨(¼"¿$¹$Ô?€HÜ�v‰vÐAÀ2ÀxÔWY×W[ÑW[Ô\€Hà€EØ—‘ Ó'ò  ˆØ�K‰K‹MˆÙØÜ—‘�z 2 qÓ)ˆÜ×!Ñ! %Ó(ˆØ—‘˜f cÓ*×2Ñ2°8¸SÓAˆÜ—‘Ð7¸¸UÓCˆÙØØ ×&Ñ&Ó(ò 	 ‰DˆAˆqØ—	‘	˜!˜Q“‰Að	 ä Ó.ò 	0‰FˆAˆsØ—	‘	˜G A 3 b˜/¨3Ó/‰Að	0à�‰�Q—W‘W“YÕð ð  �+‰+�eÓ
€CØ×"Ñ"Ó$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 0‰ˆˆ3Ø�k‰k˜G A 3 b˜/¨3Ó/‰ð0ô �&‰&Ð! 2 sÓ
+€CÜ
�&‰&� " cÓ
*€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
$€Cà�	˜;Ð&Ð&øô_ ò 	Úð	ús   ÃAS7 Ó7	TÔTc                 ó”  — | j                  d|f«      }|j                  «       ry	 d}	 ddlm}  ||«      }| j                  d|||||t
        t        t        ||f
«      }|j                  dkD  ryt        j                  dd|«      }	t        j                  |	«      }	t        j                  d	d
|	«      j                  «       d d }	| j                  d|j                  |t
        |	f«       yy# t        $ r Y Œ¼w xY w# t        j                   $ r=}
dt#        |
«      v r*t%        j&                  d«       t)        | |||||«      cY d }
~
S ‚ d }
~
ww xY w)Nz'SELECT id FROM gov_raw WHERE page_url=?FÚotherr   )Úclassify_industryz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)r)   r	   r
   r   éÈ   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedé   )ÚexecuteÚfetchoneÚcrawler_libr�   rw   Ú	SITE_NAMEÚ
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr   r   r   r   r   Ú	lastrowidÚsqlite3ÚOperationalErrorrH   ÚtimeÚsleepÚstore_record)Úconnr$   rK   r@   rL   r€   ÚcurÚindustryr�   ÚsummaryÚes              r   r    r    Ù   sA  € Ø
�,‰,Ð@À3À&Ó
I€CØ
‡|�|„~ØðØˆð	Ý5Ù(¨Ó/ˆHð �l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\dÐeó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð Øøô# ò 	Ùð	ûô$ ×#Ñ#ò Ø”s˜1“vÑÜ�J‰J�qŒMÜ  c¨5°'¸4ÀÓKÕKØûð	úsF   ¦C7 ©C( ·B/C7 Ã(	C4Ã1C7 Ã3C4Ã4C7 Ã7EÄ
1EÄ;EÅEÅEc                 ó®   — | j                  |t        d¬«      }|j                  dk(  r|j                  xs d|_        |S t        d|j                  › �«      ‚)Nr   r   r‘   r   zHTTP )r   r   Ústatus_coder   r    ÚRuntimeError)r"   r$   r%   s      r   Úfetch_detailr©   û   sO   € Ø�‰�C¤°"ˆÓ5€AØ‡}�}˜ÒØ×(Ñ(Ò3¨GˆŒ
ØˆÜ
˜˜qŸ}™}˜oÐ.Ó
/Ð/r   c            
      óP  — dd l } | j                  «       }|j                  j                  t        «       t        j                  t        d¬«      }|j                  d«       |j                  d«       d}d}t        «       }t        dt        dz   «      D �]c  }	 t        ||«      }t        |«      }	t        d|› dt!        |	«      › d�d	¬
«       |	st        dd	¬
«        �n|	D ]ÿ  \  }
}|
|v rŒ|j#                  |
«       	 t%        ||
«      }|j&                  j)                  dd¬«      }t+        ||
«      \  }}}|s|}t-        ||
«      \  }}}t!        t/        j0                  dd|«      j3                  «       «      }|dk  rt        d|d d › �d	¬
«       |dz  }Œ¶t5        ||
||||«      }|r|dz  }t        d|d d › d|› d�d	¬
«       n|dz  }t7        j8                  d«       �Œ t7        j8                  d«       �Œf |j;                  «        |j=                  «        t        d|› �d	¬
«       t        d|› �d	¬
«       t        d t>        › d!�d	¬
«       y # t        $ r}t        d|› d|› �d	¬
«       Y d }~ Œxd }~ww xY w# t        $ r#}t        d|
› d|› �d	¬
«       |dz  }Y d }~�ŒÁd }~ww xY w)"Nr   é<   )r   zPRAGMA busy_timeout=60000zPRAGMA journal_mode=WALr   zPage z fetch error: T)Úflushz: found z itemszEmpty page, stop paginationr   r   )Úerrorsz  detail error z: r)   r	   é
   z  skip empty: r   z  + é(   z (ú)g      Ð?g      à?u   æ–°å¢ž: u   è·³è¿‡: z=== z	 done ===) ÚrequestsÚSessionr   Úupdater   rœ   ÚconnectÚDB_PATHr”   rz   ÚrangeÚ_PAGESr&   rw   Úprintr9   rj   r{   r©   r@   ÚdecoderT   r�   r   r   r   r    rž   rŸ   ÚcommitÚcloser—   )r±   Úsr¡   Ú	new_countÚ
skip_countÚ	seen_urlsr#   r2   r¥   r3   r8   rK   r%   ÚdhtmlÚdtitleÚddaterM   r@   r€   Ú_Ú	plain_lenÚoks                         r   ÚmainrÆ     s   € ÛØ×ÑÓ€AØ‡I�I×Ñ”WÔÜ�?‰?œ7¨BÔ/€DØ‡L�LÐ,Ô-Ø‡L�LÐ*Ô+à€IØ€JÜ“€Iä�aœ !™Ó$ó &ˆð	Ü" 1 dÓ+ˆIô ˜9Ó%ˆÜ��d�V˜8¤C¨£J <¨vÐ6¸dÕCÙÜÐ/°tÕ<ÚØ#ò 	‰NˆG�UØ˜)Ñ#ØØ�M‰M˜'Ô"ðÜ   GÓ,�ØŸ	™	×(Ñ(¨¸Ð(ÓC�ô
 +7°u¸gÓ*FÑ'ˆF�E˜<ÙØ�Ü$0°¸wÓ$GÑ!ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIØ˜2Š~Ü˜ v¨c¨r { mÐ4¸DÕAØ˜a‘�
ØÜ˜d G¨V°W¸eÀYÓOˆBÙØ˜Q‘�	Ü˜˜V C R˜[˜M¨¨E¨7°!Ð4¸DÖAà˜a‘�
Ü�J‰J�tÖð5	ô6 	�
‰
�3ŽðM&ðP 	‡K�K„MØ‡J�J„LÜ	ˆH�Y�KÐ
 ¨Õ-Ü	ˆH�Z�LÐ
!¨Õ.Ü	ˆD”�˜9Ð
%¨TÖ2øôS ò 	Ü�E˜$˜˜~¨a¨SÐ1¸Õ>Ýûð	ûô ò Ü˜¨ y°°1°#Ð6¸dÕCØ˜a‘�
Ýûðús0   ÂIÃ<)I9É	I6ÉI1É1I6É9	J%ÊJ Ê J%Ú__main__)'Ú__doc__Úsysrf   r   rž   Úhtmlr   Úurllib.parser.   rœ   Úbs4r   ÚImportErrorr   r—   r˜   r™   rµ   r   Ú
_MAX_PAGESrx   Úargvr‡   ÚaÚ
startswithÚintri   Ú
ValueErrorrj   r·   r   r&   r9   rT   r�   r    r©   rÆ   Ú__name__© r   r   ú<module>rÖ      sq  ðñó Û 	Û 	Û Û Û Û ðÝ!ð
 (€Ø$€	Ø€
Ø%€Ø
€ð @ØOØ'ØÐFÑFñ	€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òò&%òB]'ò@òD0ò83ðv ˆzÒÙ…Fð øðU	 ò Ø‚Mðûð, ò 	Ùð	ûð
 ò 	Ùð	ús5    C+ Á&C8Â"DÃ+C5Ã4C5Ã8D Ã?D ÄDÄ
D