Ë
    #ñ£jPG  ã                   óÀ  — 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 ej                  j!                  dd«      ZdZdZd	Zd
ZdZdZdZedz   Z e
j4                  «        ed¬«      z
  j7                  d«      ZddddœZdZ eej@                  «      D ]k  \  Z!Z"e"jG                  d«      r	  e$e"jK                  dd«      d   «      ZŒ4e"dk(  sŒ:e!dz    e'ej@                  «      k  sŒS	  e$ej@                  e!dz      «      ZŒm edk\  rendZ(d„ Z)d#d„Z*d„ Z+d„ Z,d„ Z-d „ Z.d!„ Z/e0d"k(  r e/«        yy# e$ r dZY �Œw xY w# e&$ r Y Œ°w xY w# e&$ r Y Œ»w xY w)$uú  
crawl_huazhou_gsgg.py - åŒ–å·žå¸‚äººæ°‘æ”¿åºœ (www.huazhou.gov.cn) å…¬å‘Šå…¬ç¤º
http://www.huazhou.gov.cn/bmzysz/gsgg/
âš ï¸� ä¸Žå�Œç«™ crawl_huazhou_hpgs.py (=/zdlyxxgk/hjbh/jsxmhjyxpjxx/ çŽ¯è¯„) æ˜¯ã€�ä¸�å�Œæ �ç›®ã€‘ï¼Œå‹¿è¦†ç›–
CMS: å¹¿ä¸œ nfw-cms é—¨æˆ·æ¨¡æ�¿ (é�™æ€� index_N.html åˆ†é¡µ)
åˆ—è¡¨: é¦–é¡µ /bmzysz/gsgg/  ç¬¬ N é¡µ /bmzysz/gsgg/index_N.html  (å…± 236 é¡µ, æœ«é¡µåœ¨åˆ†é¡µå™¨ last é“¾æŽ¥)
  æ�¡ç›®: <a href="http://www.huazhou.gov.cn/<col>/content/post_NNNNNNN.html">
          <img src="/images/li.png" alt="">æ ‡é¢˜</a><span>2026-09-11</span>
  âš ï¸� æ˜¯è�šå�ˆåˆ—è¡¨ï¼šæ�¡ç›®åˆ†å¸ƒåœ¨ syzl/gggsXXã€�bmzysz/gsggl/gggsXX ç­‰å¤šä¸ªå­�æ �ç›® â†’ å…¨æ”¶
  âš ï¸� é¡µè„šã€Œç½‘ç«™å£°æ˜Ž/è�”ç³»æˆ‘ä»¬ã€�(/fzllm/wzxx/) æ— æ—¥æœŸ spanï¼Œå¤©ç„¶è¢«è¿‡æ»¤
è¯¦æƒ…: /bmzysz/gsgg/content/post_N.html  (äº¦å�¯èƒ½æ˜¯å­�æ �ç›® /xx/content/post_N.html)
  meta ArticleTitle(å®Œæ•´æ ‡é¢˜) / PubDate(YYYY-MM-DD)
  æ­£æ–‡: div.article-content > div.txt  â†� å�– div.txt å�¯é�¿å¼€ h3 æ ‡é¢˜é‡�å¤�/subtitle/share/copyright
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoupÚ
JSONL_PATHÚ úutf-8u   åŒ–å·žå¸‚-å…¬å‘Šå…¬ç¤ºu   å¹¿ä¸œzcrawl_huazhou_gsgg.pyu   å…¬å‘Šå…¬ç¤ºzhttp://www.huazhou.gov.cnz&http://www.huazhou.gov.cn/bmzysz/gsgg/zindex_%d.htmliG  )Údaysz%Y-%m-%dzkMozilla/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-Languageé   z--pages=ú=é   z--pagesc                 ó`  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        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*u   ^[â€¢Â·]\s*ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    úcrawl_huazhou_gsgg.pyÚ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
�‰ˆ~˜r 1Ó%€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 óæ  — t        t        «      }|r||d<   d }t        d«      D ]‘  }	 dd l}dd l}|j                  |j                  j                  «       |j                  | ||d¬«      }|j                  dk(  rt        |_        |j                  c S d|j                  z  }t        j                   d	«       Œ“ t#        d
| d d ›d|›�d¬«       y # t        $ r}	t        |	«      d d }Y d }	~	ŒJd }	~	ww xY w)Nr
   é   r   F)ÚheadersÚtimeoutÚverifyéÈ   zHTTP %séP   é   z  [fetch fail] éZ   z -> T©Úflush)ÚdictÚHEADERSÚrangeÚrequestsÚurllib3Údisable_warningsÚ
exceptionsÚInsecureRequestWarningÚgetÚstatus_codeÚENCÚencodingÚtextÚ	ExceptionÚstrÚtimeÚsleepÚprint)
Úurlr   ÚacceptÚhÚlast_errÚ_r)   r*   ÚrÚes
             r   Úfetchr?   G   sÙ   € ÜŒW‹€AÙØˆˆ(‰Ø€HÜ�1‹Xò ˆð		#ß$Ø×$Ñ$ W×%7Ñ%7×%NÑ%NÔOØ—‘˜S¨!°WÀU�ÓKˆAØ�}‰} Ò#Ü �”
Ø—v‘v’Ø  1§=¡=Ñ0ˆHô 	�
‰
�1�ðõ 
 s¨3¨B¢x±Ð
:À$ÕGØøô	 ò 	#Ü˜1“v˜c˜r�{�Hûð	#ús   ¨A'CÂCÃ	C0ÃC+Ã+C0c           
      óÔ  ‡‡)‡*‡+— | sddg fS t        j                  dd| t         j                  ¬«      } t        j                  dd| t         j                  ¬«      } t        j                  dd| t         j                  t         j                  z  ¬«      } t        j                  dd| t         j                  t         j                  z  ¬«      } g Š)i Š*t        j                  dd| «      } t        r¢	 t	        | d	«      }|j                  d
g«      D ]  }|j                  «        Œ |j                  d¬«      D ]N  }|j                  d«      xs dj                  dd«      j                  «       }d|v sd|v sŒ?|j                  «        ŒP t        |«      } t        �r§	 t	        | d	«      }|j                  dd¬«      D �]¶  }|d   }|j                  d«      sV|j                  d«      sEd|j                  d«      xs g v s.t        j                  d|t         j                  «      s	d|v sd|v sŒp|xs dj                  «       }|j                  d«      xs |j                  d«      xs dj                  «       }	|r(t        j                  d|t         j                  «      s|}
n|	xs |}
|j                  d¬«      xs[ |j                  d«      xsH |j                  d «      xs5 t         j"                  j%                  |
j'                  d!«      d   «      xs d"}t(        j*                  j-                  ‰|
«      }‰)j/                  ||f«       d#t1        ‰*«      z  }d$|›d%|›d&�‰*|<   |j3                  |«       �Œ¹ |j                  d'«      D ]`  }|j                  d(«      xs |j                  d«      xs d}t        j                  d)|t         j                  «      sŒQ|j                  «        Œb |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-t1        ‰*«      z  }d.d/j5                  |«      z   d0z   ‰*|<   |j3                  |«       �ŒC |j                  d'«      D ]å  }|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,}d-t1        ‰*«      z  }d1|›d%|›d2�‰*|<   |j3                  |«       Œç t        |«      } ˆ)ˆ*ˆfd3„}t        j                  d4|| t         j                  t         j                  z  ¬«      } t        rÍ	 t	        | d	«      }|j                  d«      D ]%  }d5D ]  }|j6                  j9                  |d6«       Œ  Œ' |j                  d7«      D ]h  }|j                  d¬«      sD|j;                  d8«      s3|j;                  d'«      s"|j;                  d«      s|j                  «        ŒY|j=                  «        Œj t        |«      } g Š+ˆ+fd9„}t        j                  d:| t         j                  «      rd;nd}d6}|| k7  r@| }t        j                  d<|| t         j                  t         j                  z  ¬«      } || k7  rŒ@t        j                  d0d=| t         j                  ¬«      } t        j                  d>d?| t         j                  ¬«      } t        j                  d@d| t         j                  ¬«      } g }| j'                  dA«      D �]¼  }|j                  «       }|sŒt        j                  dBd|«      }t        j                  dCd|«      }|j                  dDd«      j                  dEd«      }t        j                  dFd|«      }t        j                  dGd|«      }t?        j@                  |«      }|j                  dHd«      j                  dId«      }t        j                  dJd|«      }|sŒæt        j                  dK|«      rŒý‰*jC                  «       D ]  \  }}|j                  ||«      }Œ tE        ‰+«      D ]  \  } }!|j                  dL| z  |!«      }Œ t        j                  dM|t         j                  «      s*t        j                  dN|t         j                  «      rdO|z  }|j/                  |j                  «       «       �Œ¿ dAj5                  |«      }"‰*jC                  «       D ]  \  }}|"j                  ||«      }"Œ tE        ‰+«      D ]  \  } }!|"j                  dL| z  |!«      }"Œ t        j                  dPd|"«      }"t?        j@                  |"«      }"t        j                  dQd?|"«      }"t        j                  dRdA|"«      }"t        j                  dFd|"«      }"tG        «       g }$}#|"j'                  dA«      D ]W  }t        j                  dSdt        j                  dGd|«      «      }|r||#v rŒ6|#jI                  |«       |$j/                  |«       ŒY dAj5                  |$«      j                  «       }"g tG        «       }&}%‰)D ].  \  }'}(|'|&v rŒ|&jI                  |'«       |%j/                  |'|(f«       Œ0 |"||%fS # t        $ r Y �
Œ9w xY w# t        $ r Y �Œ›w xY w# t        $ r Y �Œ™w xY w)TuR   æ­£æ–‡ HTML æ¸…æ´—ï¼šä¿�ç•™ <p>/<table>ï¼Œé™„ä»¶è½¬ <p><a>ç»�å¯¹URL</a></p> æ®µè�½r   r   z
<!--.*?-->)Úflagsz<meta[^>]*>z<script[^>]*>.*?</script>z<style[^>]*>.*?</style>u   ã€�å­—å�·ï¼š[^ã€‘]*ã€‘úhtml.parserÚiframeT)ÚstylerD   r   zdisplay:nonezvisibility:hiddenÚa)ÚhrefrF   Úappendixzdata-appendixznfw-cms-attachmentÚclassz&\.(pdf|docx?|xlsx?|zip|rar|wps|et|ofd)z/document/downloadz/module/download/ÚoldsrcÚOLDSRCz^(?:javascript:|mailto:|tel:|#)©r   Ú_titleÚtitleú?õ   é™„ä»¶z__ATTACH__%d__ú	<a href="ú" target="_blank">ú</a>ÚimgÚsrcz.(icons?/|fileTypeImages/icon_|/images/li\.png)ÚpÚaltu   å›¾ç‰‡z__IMG__%d__z<p>z<br/>z</p>z<p><a href="z</a></p>c                 óÀ  •— | j                  d«      }t        j                  d|t        j                  «      r2|j	                  «       j                  d«      rdS | j                  d«      S | j                  d«      }t        j                  dd|«      }t        j                  |«      j                  «       }t        j                  dd|«      j                  «       }|s5t        j                  j                  |j                  d	«      d   «      xs d
}t        j                  j!                  ‰|«      }‰j#                  ||f«       dt%        ‰«      z  }d|›d|›d�‰|<   |S )Nr   z&^(?:javascript:|mailto:|tel:|s?ftp:|#)zjavascript:r   r   r"   ú<[^>]+>u   ^é™„ä»¶[:ï¼š]\s*rN   rO   z__LINK__%d__rP   rQ   rR   )Úgroupr   ÚmatchÚIÚlowerÚ
startswithr   r   r   r   ÚosÚpathÚbasenameÚsplitÚurllibÚparseÚurljoinÚappendÚlen)	ÚmrF   ÚinnerÚtxtÚabs_urlÚkeyÚattachmentsÚlink_protectÚpage_urls	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repl±   s  ø€ Ø�w‰w�q‹zˆÜ�8‰8Ð=¸tÄRÇTÁTÔJØŸ™›×0Ñ0°Ô?�2ÐOÀQÇWÁWÈQÃZÐOØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*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>)rD   rH   ÚlangÚdirÚalignÚvalignÚwidthÚheightÚborderÚcellpaddingÚcellspacingNÚdivÚtablec                 óf   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  z  S )Nr   ú__TBL__%d__r   )re   rY   rf   )rg   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_replÖ   s.   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Ø¤ MÓ 2°QÑ 6Ñ7Ð7r   z<table[^>]*>r   z<table(?:(?!<table).)*?</table>z</p>

z	<br\s*/?>ú
z8</?(?:span|font|o:p|st1?:[a-z]+|strong|em|b|i|u)\b[^>]*>z

z(?<=>)\s*[\r\n\t]+\s*z\s*[\r\n\t]+\s*(?=<)úú	z	[ \t]{2,}rX   õ   Â z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+u“   ^[ã€�\[ï¼ˆ(]?\s*(?:è¿”å›žé¡¶éƒ¨|å›žåˆ°é¡¶éƒ¨|è¿”å›žåˆ—è¡¨|æ‰“å�°(?:æœ¬é¡µ)?|å…³é—­(?:çª—å�£)?|åˆ†äº«|æ‰«ä¸€æ‰«|ä¸Šä¸€ç¯‡|ä¸‹ä¸€ç¯‡)\s*[ã€‘\]ï¼‰)]?$r|   ú<p[ >]ú<a[ >]z	<p>%s</p>z __(?:LINK|TBL|IMG|ATTACH)__\d+__z[ \t]+\nz\n{3,}r   )%r   r   ÚSr[   r   Úfind_allÚ	decomposer.   r   r\   r4   r3   Úsearchr   rZ   Úget_textr^   r_   r`   ra   rb   rc   rd   re   rf   Úreplace_withÚjoinÚattrsÚpopÚfindÚunwrapr   r   ÚitemsÚ	enumerateÚsetÚadd),Úcontentrn   Ú_sÚelÚstÚ_souprE   rF   Ú_hrefÚ_oldsrcÚ	real_hrefri   rj   rk   rS   rT   rU   ÚimgsÚsrcsro   ÚtagÚattrÚdr~   Ú	has_tableÚprevÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutÚseenÚfinalÚdedupÚseen_uÚur   rl   rm   r}   s,    `                                       @@@r   Úhtml_to_textr±   \   sX
  û€ áØ�1�bˆyÐÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰f�^ R¨¼¿¹Ô=€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€Gà€KØ€Lä�f‰fÐ.°°GÓ<€Gåð
	Ü˜w¨Ó6ˆBØ—k‘k 8 *Ó-ò �Ø—‘•ðà—k‘k¨�kÓ-ò #�Ø—f‘f˜W“oÒ+¨×4Ñ4°S¸"Ó=×CÑCÓE�Ø! RÑ'Ð+>À"Ò+DØ—L‘L•Nð#ô ˜"“gˆGö ð7	Ü! '¨=Ó9ˆEØ—^‘^ C¨d�^Ó3ó (�Ø˜‘y�Ø—E‘E˜*Ô%¨¯©¨Ô)?Ø/°A·E±E¸'³NÒ4HÀbÑIÜŸ9™9Ð%NÐPTÔVX×VZÑVZÔ[Ø/°4Ñ7Ø.°$Ò6à!šZ R×.Ñ.Ó0�EØ Ÿu™u X›ÒG°!·%±%¸³/ÒGÀR×NÑNÓP�GÙ¤R§X¡XÐ.PÐRWÔY[×Y]ÑY]Ô%^Ø$)™	à$+Ò$4¨u˜	ØŸ:™:¨D˜:Ó1ò T°Q·U±U¸8³_ò TÈÏÉÈgËò TÜ Ÿg™g×.Ñ.¨y¯©¸sÓ/CÀAÑ/FÓGòTØKSð ä$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�Ü—9‘9ÐNÐPSÔUW×UYÑUYÕZØ—M‘M•Oð$ð —^‘^ CÓ(ó ,�Ø—z‘z %Ó(�Ú §
¡
° 
Õ 6Ø�DØ#ò \˜Ø!Ÿg™g e›nÒG°·±¸Ó0AÒGÀR˜Ù"Ø$Ü"(§,¡,×"6Ñ"6°xÀÓ"E˜Ø"Ÿw™w u›~ÒG°·±¸Ó1AÒGÀR×NÑNÓPò OÜ!Ÿw™w×/Ñ/°·	±	¸#³¸qÑ0AÓBòOØFNð àŸšÊWÒVYÐ$ZÕ[ð\ó Ø+¬c°,Ó.?Ñ?˜Ø,1°G·L±LÀÓ4FÑ,FÈÑ,O˜ SÑ)ØŸ™ sÖ+ð,ð  —~‘~ eÓ,ò 	&�Ø—g‘g˜e“nÒ?¨¯©°Ó(9Ò?¸R�ÙØÜ Ÿ,™,×.Ñ.¨x¸Ó=�Ø—w‘w˜u“~Ò?¨¯©°Ó)9Ò?¸R×FÑFÓHò GÜ—w‘w×'Ñ'¨¯	©	°#«°qÑ(9Ó:òGØ>Fð à#¤c¨,Ó&7Ñ7‘ÚT[Ò]`Ð$a�˜SÑ!Ø× Ñ  Õ%ð	&ô ˜%“jˆGöô �f‰fÐ>À
Ø¤B§D¡D¬2¯4©4¡Kô1€Gõ ð	Ü! '¨=Ó9ˆEØ—~‘~ dÓ+ò .�ðOò .�Dà—I‘I—M‘M $¨Õ-ñ.ð.ð —^‘^ EÓ*ò �Ø—z‘z¨�zÔ-°a·f±f¸W´oØ !§¡ u¤°a·f±f¸S´kØ—K‘K•Mà—H‘H•Jðô ˜%“jˆGð €Mô8ô —Y‘Y˜°¼¿¹Ô>‘ÀA€IØ€DØ
�'Š/ØˆÜ—&‘&Ð;¸YØ ¬¯©¬r¯t©t©ô5ˆð �'‹/ô
 �f‰f�W˜j¨'¼¿¹Ô>€GÜ�f‰f�\ 4¨¼¿¹Ô=€GÜ�f‰fÐPÐRTØ¤B§D¡Dô*€Gð €EØ—‘˜vÓ&ó  ˆØ�K‰K‹MˆÙØÜ�F‰FÐ+¨R°Ó3ˆÜ�F‰FÐ*¨B°Ó2ˆØ�I‰I�d˜BÓ×'Ñ'¨¨cÓ2ˆÜ�F‰F�<  aÓ(ˆÜ—‘�z 2 qÓ)ˆÜ×!Ñ! %Ó(ˆØ—‘˜f cÓ*×2Ñ2°8¸SÓAˆÜ—‘Ð7¸¸UÓCˆÙØä�8‰8ð  kð  mrô  sØØ ×&Ñ&Ó(ò 	 ‰DˆAˆqØ—	‘	˜!˜Q“‰Að	 ä Ó.ò 	2‰FˆAˆsØ—	‘	˜-¨!Ñ+¨SÓ1‰Að	2ä�y‰y˜ A¤r§t¡tÔ,´·±¸9ÀaÌÏÉÔ1NØ˜a‘ˆAØ�‰�Q—W‘W“YÖð/ ð2 �+‰+�eÓ
€CØ×"Ñ"Ó$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 2‰ˆˆ3Ø�k‰k˜-¨!Ñ+¨SÓ1‰ð2ô �&‰&Ð4°b¸#Ó
>€CÜ
×
Ñ
˜CÓ
 €CÜ
�&‰&�˜d CÓ
(€CÜ
�&‰&�˜F CÓ
(€CÜ
�&‰&�˜s CÓ
(€Cä“%˜ˆ%€DØ�Y‰Y�vÓò ˆÜ�f‰f�V˜R¤§¡¨
°B¸Ó!:Ó;ˆÙ�c˜T‘kØØ�‰�ŒØ�‰�Q�ðð �+‰+�eÓ
×
"Ñ
"Ó
$€Càœ›ˆ6€EØò ‰ˆˆ1Ø�‰;ØØ�
‰
�1ŒØ�‰�a˜�VÕð	ð �	˜5Ð Ð øôQ ò 	Úð	ûôt ò 	Úð	ûôF ò 	Úð	ús`   Ã,Bn: Å0n: ÆBo
 È$F+o
 Ï:o
 Ðo
 ÐCo
 Ó;E o
 ÚCo î:	oïoï
	oïoï	o'ï&o'c                 óH   — | dk(  rt         nt        | z  }t        |«      xs dS )Nr   r   )ÚLIST_URLÚLIST_URL_PAGEr?   )Úpager8   s     r   Ú
fetch_listr¶     s#   € Ø˜a’i�(¤m°dÑ&:€CÜ�‹:Ò˜Ðr   c           
      ód  — g }d}t        j                  d| «      D ]$  }t        |j                  d«      «      }||kD  sŒ#|}Œ& t        j                  d| t         j                  t         j
                  z  «      D �]2  }t        j                  |j                  d«      «      j                  «       }t        t        j                  dd|j                  d«      «      «      }t        j                  d|j                  d	«      «      \  }}}	|›d|j                  d«      ›d|	j                  d«      ›�}
|rt        |«      dk  rŒÇd
|v rŒÌ|j                  d«      r
t        |z   }n8|j                  d«      s't         j"                  j%                  t        dz   |«      }|j'                  |||
f«       �Œ5 ||fS )Nr   zindex_(\d+)\.htmlr   zi<a[^>]*href="([^"]*?/content/post_\d+\.html)"[^>]*>(.*?)</a>\s*<span>\s*(\d{4}-\d{1,2}-\d{1,2})\s*</span>rX   r   r"   ú-r   z/fzllm/ú/Úhttp)r   ÚfinditerÚintrY   r…   r[   r   r   r   r   r   ra   Úzfillrf   r]   ÚBASE_URLrb   rc   rd   re   )Ú	html_textr�   Útotal_pagesrg   ÚnrF   ri   ÚyÚmoÚddr    s              r   Ú
parse_listrÅ   $  sf  € Ø€EØ€KÜ�[‰[Ð-¨yÓ9ò ˆÜ�—‘˜“
‹OˆØˆ{‹?Ø‰Kðô
 �[‰[ð1Ø2;¼R¿T¹TÄBÇDÁD¹[óJó %ˆô × Ñ  §¡¨£Ó,×2Ñ2Ó4ˆÜœ"Ÿ&™& ¨R°·±¸³Ó<Ó=ˆÜ—H‘H˜T 1§7¡7¨1£:Ó.‰	ˆˆ2ˆrÚ˜RŸX™X a�[¨"¯(©(°1¬+Ð6ˆÙ”c˜#“h ’lØØ˜ÑØØ�?‰?˜3ÔÜ˜d‘?‰DØ—‘ Ô(Ü—<‘<×'Ñ'¬°3©¸Ó=ˆDØ�‰�d˜C �^Ö$ð%ð  �+ÐÐr   c                 óž  — dx}x}}d }t         �rO	 t        | d«      }|j                  ddt        j                  dt        j                  «      i¬«      }|r|j                  d«      rt        |d   «      }|j                  ddt        j                  dt        j                  «      i¬«      }|r�|j                  d«      rpt        j                  d	|d   «      }|rU|j                  d
«      ›d|j                  d«      j                  d«      ›d|j                  d«      j                  d«      ›�}|s.|j                  d«      }	|	rt        |	j                  d¬«      «      }|st        j                  d| t        j                  t        j                  z  «      }
|
rGt        j                  dt        |
j                  d
«      «      «      D �cg c]  }|sŒ|‘Œ	 }}|r|d   nd}|rb|j                  d«      }d }|r|j                  d«      xs |}|s|j                  d¬«      }|r"dj                  d„ |j                   D «       «      }|smt        j                  d| «      }|rU|j                  d
«      ›d|j                  d«      j                  d«      ›d|j                  d«      j                  d«      ›�}|||fS # t        $ r d }Y �Œgw xY wc c}w )Nr   rB   ÚmetaÚnameÚArticleTitle)rŒ   r”   ÚPubDatez(\d{4})-(\d{1,2})-(\d{1,2})r   r¸   r"   r   Úh1TrK   z<title>(.*?)</title>r   éÿÿÿÿzdiv.article-contentzdiv.txtÚzoom)Úidc              3   ó2   K  — | ]  }t        |«      –— Œ y ­w)N)r4   )Ú.0Úcs     r   ú	<genexpr>zparse_detail.<locals>.<genexpr>a  s   è ø€ Ò"?¨a¤3 q§6Ñ"?ùs   ‚u'   (\d{4})[-å¹´/](\d{1,2})[-æœˆ/](\d{1,2}))r   rŽ   r   Úcompiler[   r.   r   rˆ   rY   r½   r‰   r3   r…   ra   Ú
select_oner‹   Úcontents)r¿   rn   rM   ÚdateÚcontent_htmlÚsoupÚmtÚmdÚdmrË   rg   rU   r£   Úacr–   s                  r   Úparse_detailrÝ   ?  sR  € Ø"$Ð$€EÐ$ˆD�<Ø€DÞð	Ü  ¨MÓ:ˆDØ—‘˜6¨&´"·*±*¸_ÌbÏdÉdÓ2SÐ)T�ÓUˆBÙ�b—f‘f˜YÔ'Ü# B y¡MÓ2�Ø—‘˜6¨&´"·*±*¸ZÌÏÉÓ2NÐ)O�ÓPˆBÙ�b—f‘f˜YÔ'Ü—Y‘YÐ=¸rÀ)¹}ÓM�ÙØ)+¯©°!­°b·h±h¸q³k×6GÑ6GÈÕ6JÈBÏHÉHÐUVËK×L]ÑL]Ð^_ÔL`Ða�DÙØ—Y‘Y˜t“_�ÙÜ'¨¯©¸$¨Ó(?Ó@�Eñ Ü�I‰IÐ-¨y¼"¿$¹$ÄÇÁ¹+ÓFˆÙÜ "§¡¨´¸Q¿W¹WÀQ»ZÓ1HÓ IÖO˜1ÊQ’QÐOˆEÐOÙ!&�E˜"’I¨BˆEáØ�_‰_Ð2Ó3ˆØˆÙØ—‘˜yÓ)Ò/¨RˆBÙØ—‘˜f�Ó%ˆBÙØŸ7™7Ñ"?°2·;±;Ô"?Ó?ˆLáÜ�Y‰YÐAÀ9ÓMˆÙØ!#§¡¨!¥¨b¯h©h°q«k×.?Ñ.?ÀÕ.BÀBÇHÁHÈQÃK×DUÑDUÐVWÔDXÐYˆDØ�$˜Ð$Ð$øô- ò 	Ø‹Dð	üò
 Ps   ‘EJ8 Ç	K
ÇK
Ê8KËKc                  óÌ  — t         j                  j                  dt        j                  j	                  t        j                  j                  t        «      «      «       ddlm}  t        dt        t        t        t        fz  d¬«       dx}x}}t        «       }g }g }d}d}t        dt        dz   «      D �]G  }		 t!        |	«      }
t%        |
«      \  }}|r|s|}|st        d|	z  d¬«        �n|t'        |«      z  }t        d	|	t'        |«      |fz  d¬«       |D �]²  \  }}}||v rŒ|j)                  |«       |r|t        k  r|dz  }Œ/t+        |«      }|s|dz  }ŒBt-        ||«      \  }}}|s|}|s|}t/        ||«      \  }}}t'        t1        j2                  d
d|«      j5                  «       «      }t1        j6                  d|t0        j8                  «       xr+ t1        j6                  d|t0        j8                  «       xr | }|dk  s|rt        d|d d z  d¬«       |dz  }�Œt        ||||d|t:        dt<        |r-t?        j@                  |D ��cg c]
  \  }}||dœ‘Œ c}}d¬«      nddœ}tB        r|jE                  |«       n|jE                  |«       |dz  }t        d|d d |||rdndfz  d¬«       tG        jH                  d«       �Œµ tB        s|r | |t        ¬«       g }tG        jH                  d«       �ŒJ tB        rltK        tB        dd¬«      5 }|D ]+  }|jM                  t?        j@                  |d¬«      dz   «       Œ- 	 d d d «       t        dtB        t'        |«      fz  d¬«       n|r | |t        ¬«       t        d |||||fz  d¬«       t        d!t        z  d¬«       y # t"        $ r}t        d|	|fz  d¬«       Y d }~ ŒÍd }~ww xY wc c}}w # 1 sw Y   Œ’xY w)"Nr   )Úpush_to_searchdbz"=== %s (%s) pages=%d cutoff=%s ===Tr$   r   zPage %d fetch error: %szPage %d: empty, stopz(Page %d: found %d items (total_pages=%d)rX   r   rƒ   r„   r   z  skip empty/placeholder: %sé(   )rM   r8   F)Úensure_ascii)Ú	site_nameÚ
source_urlr8   rM   Úpub_dateÚsummaryr”   ÚcategoryÚtagsÚ
group_namerl   u     + %s (%s, %då­—%s)é&   u   , è¡¨æ ¼gš™™™™™É?)Úbatch_labelg333333Ó?Úwr   )r1   r   zJSONL written: %s (%d rows)uX   æ–°å¢ž: %d | è·³è¿‡: %d | CUTOFFæˆªæ–­: %d | åˆ—è¡¨æ€»æ•°(å·²æŠ“é¡µ): %d | æ€»é¡µæ•°: %dz=== %s done ===)'Úsysr_   Úinsertr^   ÚdirnameÚabspathÚ__file__Úcrawler_librß   r7   Ú	SITE_NAMEÚSCRIPT_NAMEÚ_PAGESÚCUTOFFr’   r(   r¶   r3   rÅ   rf   r“   r?   rÝ   r±   r   r   r   rˆ   r[   ÚCATEGORYÚ
GROUP_NAMEÚjsonÚdumpsr   re   r5   r6   ÚopenÚwrite)rß   Ú	new_countÚ
skip_countÚcutoff_countÚ	seen_urlsÚ
jsonl_rowsÚbatchÚ
list_totalÚ
list_pagesrµ   r¿   r>   r�   rÀ   rj   rM   rÖ   ÚdhtmlÚdtitleÚddater×   r”   r¡   ÚattsÚ	plain_lenÚno_parar°   r   ÚitemÚfÚrows                                  r   Úmainr  j  sÙ  € Ü‡H�H‡O�O�A”r—w‘w—‘¤r§w¡w§¡´xÓ'@ÓAÔBÝ,ä	Ð
.´)¼[Ì&ÔRXÐ1YÑ
YØõð -.Ð-€IÐ-�
˜\Ü“€IØ€JØ€EØ€JØ€Jä�aœ !™Ó$ó ;ˆð	Ü" 4Ó(ˆIô (¨	Ó2Ñˆˆ{Ù™zØ$ˆJÙÜÐ(¨4Ñ/°tÕ<ÚØ”c˜%“jÑ ˆ
ÜÐ8¸DÄ#ÀeÃ*ÈkÐ;ZÑZØõ	ð %*ó '	Ñ ˆG�U˜DØ˜)Ñ#ØØ�M‰M˜'Ô"Ù˜œvšØ Ñ!�ØÜ˜'“NˆEÙØ˜a‘�
ØÜ*6°u¸gÓ*FÑ'ˆF�E˜<ÙØ�ÙØ�Ü'3°LÀ'Ó'JÑ$ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIÜŸ9™9 Y°¼¿¹Ó>Ð>ò UÜ!Ÿy™y¨°G¼R¿T¹TÓBÐBòUØKTÀ}ð à˜1Š}¡ÜÐ4°v¸c¸r°{ÑBÈ$ÕOØ˜a‘�
Ùä&°gÀgØ¨U¸rØ"´À"Ü(áVZô  $Ÿz™zØ8<×=±°°1˜q¨Ó+Ó=ÈEõ SØ`bñˆDõ Ø×!Ñ! $Õ'à—‘˜TÔ"Ø˜‰NˆIÜÐ(¨F°3°B¨K¸À	Ù9B©:Èð,Lñ LØSWõYä�J‰J�sŽOðO'	õP ™eÙ˜U´Õ<ØˆEÜ�
‰
�3Žðw;õz 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Ù˜U´Õ<ä	Ð
dØ�j ,°
¸JÐ
GñHØOSõUä	Ð
œiÑ
'¨tÖ4øôK ò 	ÜÐ+¨t°Q¨iÑ7¸tÕDÝûð	üóV >÷ 	Dð 	Dús*   Â9N+ÉO"Ì1OÎ+	OÎ4OÏOÏO#Ú__main__)é   N)1Ú__doc__rì   r^   r   r5   rø   Úhtmlr   Úurllib.parserb   r   r   Úbs4r   ÚImportErrorÚenvironr.   r   r0   rò   r÷   ró   rö   r¾   r³   r´   ÚnowÚstrftimerõ   r'   Ú
_MAX_PAGESr‘   Úargvr©   rE   r]   r¼   ra   Ú
ValueErrorrf   rô   r   r?   r±   r¶   rÅ   rÝ   r  Ú__name__© r   r   ú<module>r     s§  ðñ÷ ?× >× >Ó >ß (ðÝ!ð �Z‰Z�^‰^˜L¨"Ó-€
Ø€à$€	Ø€
Ø%€Ø€Ø&€Ø3€Ø˜?Ñ*€à
ˆ(�,‰,‹.™9¨'Ô2Ñ
2×	<Ñ	<¸ZÓ	H€ðCàOØ'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óò*@!òFò
ò6(%òVV5ðr ˆzÒÙ…Fð øð[ ò ØƒMðûð8 ò 	Ùð	ûð
 ò 	Ùð	ús5   ¨D< Â9E
Ã5EÄ<EÅEÅ
EÅEÅEÅE