Ë
    ƒk|jf'  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
Z
ddlZddlmZmZ dZedz   ZdZdZdZej(                  j+                  d	d
«      Zej(                  j+                  dd«      ZdZddddœZdZdadZ eej<                  «      D ]k  \  ZZ e jC                  d«      r	  e"e jG                  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"d„Z'd„ Z(d„ Z)d„ Z*d„ Z+d„ Z,d„ Z-d„ Z.d „ Z/e0d!k(  r e/«        yy# e$$ r Y Œ¨w xY w# e$$ r Y Œ³w xY w)#ui  
crawl_huazhou_hpgs.py - åŒ–å·žå¸‚-å»ºè®¾é¡¹ç›®çŽ¯å¢ƒå½±å“�è¯„ä»·ä¿¡æ�¯
http://www.huazhou.gov.cn/zdlyxxgk/hjbh/jsxmhjyxpjxx/
åˆ—è¡¨: div.list-content > li > a[href=.../content/post_N.html] > div.item-title(æ ‡é¢˜) + span(æ—¥æœŸ)
åˆ†é¡µ: index.html / index_2~12.html (åˆ†é¡µå™¨è™šæŠ¥13, P13=404 å®žé™…12é¡µ, æ¯�é¡µ10æ�¡)
è¯¦æƒ…: .../content/post_NNNNNN.html
  â†’ div.article-content > h3(æ ‡é¢˜) + div.article-subtitle(æ—¥æœŸ/æ�¥æº�) + div.txt(æ­£æ–‡, å�«è¡¨æ ¼)
é™„ä»¶: div.txt å†… a.nfw-cms-attachment (è¡¨æ ¼å�•å…ƒæ ¼å†…, ç»�å¯¹URL /attachment/0/x/x/ID.pdf)
å¹¿ä¸œ post_N ç«™ç¾¤æ¨¡æ�¿ (jiangcheng/huizhou å�Œæž„)
é    N)ÚBeautifulSoupÚCommentzhttp://www.huazhou.gov.cnz/zdlyxxgk/hjbh/jsxmhjyxpjxx/u   åŒ–å·žå¸‚-å»ºè®¾é¡¹ç›®çŽ¯è¯„u   å¹¿ä¸œzcrawl_huazhou_hpgs.pyÚDB_PATHz/root/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-Languageg333333ó?g        é   z--pages=ú=z--pagesc                 ó’  — t        j                   «       t        z
  }|t        k  rt        j                  t        |z
  «       t        j                   «       at	        |«      D ]V  }	 t        j                  | t        |d¬«      }|j                  dk(  rd|_	        |c S 	 t        j                  d|dz  z   «       ŒX y # t        $ r Y Œ)w xY w)NF)ÚheadersÚtimeoutÚverifyéÈ   r   é   )ÚtimeÚ	_last_reqÚREQUEST_INTERVALÚsleepÚrangeÚrequestsÚgetÚHEADERSÚstatus_codeÚencodingÚ	Exception)ÚurlÚretriesr   ÚdtÚiÚrs         ú'/root/gov_crawler/crawl_huazhou_hpgs.pyÚhttp_getr#   ;   s°   € ä	�‰‹”yÑ	 €BØ	ÔÒÜ�
‰
Ô# bÑ(Ô)Ü—	‘	“€IÜ�7‹^ò ˆð	Ü—‘˜S¬'¸7È5ÔQˆAØ�}‰} Ò#Ø$�”
Ø’ð $ô
 	�
‰
�1�q˜1‘u‘9Õðð øô ò 	Ùð	ús   Á$4B:Â:	CÃCc                 ó  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } | j                  «       S )Nr   u   â€‹u   â€Œu   â€�u   ï»¿ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    r"   Úclean_titler.   M   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                 óN  — | dk(  rt         }nt         d| › d�z   }t        |«      }|€g S |j                  }g }t        j                  d|«      D ]U  }|j                  d«      }t        |j                  d«      «      }|j                  d«      }|sŒB|j                  |||f«       ŒW |S )u0   æŠ“ä¸€é¡µåˆ—è¡¨, è¿”å›ž [(abs_url, title, date)]r
   Úindex_z.htmlz§<a href="(http://www\.huazhou\.gov\.cn/zdlyxxgk/hjbh/jsxmhjyxpjxx/content/post_\d+\.html)"><div class="item-title">([^<]*)</div></a>\s*<span>(\d{4}-\d{2}-\d{2})</span>r   é   )ÚLIST_URLr#   Útextr*   ÚfinditerÚgroupr.   Úappend)	Úpager   r!   Ú	html_textÚitemsÚmÚabs_urlÚtitleÚdates	            r"   Ú
fetch_listr?   V   s±   € àˆq‚yÜ‰ä˜6 $  uÐ-Ñ-ˆÜ�‹€AØ€yØˆ	Ø—‘€IØ€EÜ�[‰[ð  Dð  FOó  Pò 1ˆØ—'‘'˜!“*ˆÜ˜AŸG™G A›JÓ'ˆØ�w‰w�q‹zˆÚØ�L‰L˜' 5¨$Ð/Õ0ð1ð €Lr/   c                 ó‚  — t        | «      }|€y|j                  }t        |d«      }d}|j                  dd¬«      }|r,|j                  d«      }|rt	        |j                  «       «      }|s4t        j                  d	|«      }|rt	        |j                  d
«      «      nd}d}t        j                  d|«      }	|	r|	j                  d
«      nd}|s+t        j                  d|«      }
|
r|
j                  d
«      nd}|j                  dd¬«      }|s||dfS |j                  d„ ¬«      D ]  }|j                  «        Œ |||fS )u,   è¯¦æƒ…é¡µ: è¿”å›ž (title, pubdate, txt_soup)N)NNNzhtml.parserr   Údivzarticle-content)Úclass_Úh3z+<meta name="ArticleTitle" content="([^"]*)"r
   z1<meta name="PubDate" content="(\d{4}-\d{2}-\d{2})u"   æ—¥æœŸ[ï¼š:]\s*(\d{4}-\d{2}-\d{2})Útxtc                 ó"   — t        | t        «      S )N)Ú
isinstancer   )Úss    r"   ú<lambda>zparse_detail.<locals>.<lambda>…   s   € ¬:°a¼Ó+A€ r/   )Ústring)r#   r4   r   Úfindr.   Úget_textr*   Úsearchr6   Úfind_allÚextract)r   r!   r9   Úsoupr=   ÚacrC   ÚtmÚpubdateÚdm2ÚdmrD   Úcs                r"   Úparse_detailrV   j   s,  € ä�‹€AØ€yØØ—‘€IÜ˜ MÓ2€Dà€EØ	�‰�5Ð!2ˆÓ	3€BÙ	Ø�W‰W�T‹]ˆÙÜ §¡£Ó.ˆEÙÜ�Y‰YÐEÀyÓQˆÙ,.”˜BŸH™H Q›KÔ(°Bˆà€GÜ
�)‰)ÐHÈ)Ó
T€CÙ!ˆc�i‰i˜Œl r€GÙÜ�Y‰YÐ<¸iÓHˆÙ!#�"—(‘(˜1”+¨ˆØ
�)‰)�E %ˆ)Ó
(€CÙØ�g˜tÐ#Ð#Ø�\‰\Ñ!Aˆ\ÓBò ˆØ	�	‰	�ðà�'˜3ÐÐr/   c                 óv  — | €ddg fS | j                  g d¢«      D ]  }|j                  «        Œ t        | j                  d«      «      }g }| j                  dd¬«      D ]Ô  }|d   j	                  «       }|j                  d	«      s|j                  d
«      r't        j                  j                  t        |«      |d<   |j                  «       j                  d«      s%d|j                  «       v sd|j                  «       v sŒ£t        |j                  «       «      }|sŒ¿|j                  |d   |f«       ŒÖ | j                  dd¬«      D ]_  }|d   j	                  «       }	|	j                  d	«      s|	j                  d
«      sŒ9t        j                  j                  t        |	«      |d<   Œa t        | «      }
|
||fS )Nr   F)ÚscriptÚstyleÚiframeÚobjectÚtableÚaT)Úhrefr^   ú/Úhttp)	z.pdfz.docz.docxz.xlsz.xlsxz.zipz.rarz.wpsz.7zÚuploadÚattachÚimg)Úsrcrd   )rM   Ú	decomposeÚboolrJ   r,   Ú
startswithÚurllibÚparseÚurljoinÚBASE_URLÚlowerÚendswithr.   rK   r7   Ústr)Útxt_soupr<   ÚtagÚ	has_tableÚattachmentsr]   ÚhrD   rc   rG   Úcontents              r"   Úhtml_to_textru   Š   s¯  € ØÐØ�5˜"ˆ}ÐØ× Ñ Ò!HÓIò ˆØ�‰�ðä�X—]‘] 7Ó+Ó,€IØ€KØ×Ñ˜s¨ÐÓ.ò 5ˆØˆf‰I�O‰OÓˆØ�<‰<˜Ô §¡¨VÔ 4ÜŸ™×,Ñ,¬X°qÓ9ˆAˆf‰IØ�7‰7‹9×ÑÐgÔhÐltÐxy×xÑxó  yBñ  mBð  FNð  RS÷  RYñ  RYó  R[ò  F[Ü˜aŸj™j›lÓ+ˆCÚØ×"Ñ" A f¡I¨sÐ#3Õ4ð5ð × Ñ  ¨DÐ Ó1ò ;ˆØ�‰J×ÑÓˆØ�<‰<˜Ô §¡¨VÕ 4ÜŸ™×-Ñ-¬h¸Ó:ˆC�ŠJð;ô �(‹m€GØ�I˜{Ð*Ð*r/   c                 óš   — |s| S | j                  «       r| gng }|D ]  \  }}|j                  d|› d|› d�«       Œ dj                  |«      S )Nz<p><a href="z" target="_blank">z</a></p>z

)r,   r7   Újoin)rt   rr   Úpartsr<   rD   s        r"   Úappend_attachmentsry   ¡   s[   € ÙØˆØ Ÿ™œˆW‰I¨b€EØ#ò N‰ˆ�Ø�‰�| G 9Ð,>¸s¸eÀ8ÐLÕMðNà�;‰;�uÓÐr/   c                 ó°   — 	 | j                  dt        f«      }|j                  «       D �ch c]  }|d   ’Œ	 c}S c c}w # t        $ r t	        «       cY S w xY w)Nz.SELECT page_url FROM gov_raw WHERE site_name=?r   )ÚexecuteÚ	SITE_NAMEÚfetchallr   Úset)ÚconnÚcurÚrows      r"   Úload_existing_urlsr‚   ª   sN   € ðØ�l‰lÐKÌiÈ\ÓZˆØ"%§,¡,£.Ö1˜3��A“Ò1Ð1ùÒ1øÜò Ü‹uŠðús   ‚)? «:·? º? ¿AÁAc                 óž  — | j                  d|t        f«      }|j                  «       ry	 d}	 ddlm}  ||«      }| j                  d|||||t        t        t        ||f
«      }|j                  dkD  ryt        j                  dd|«      }	t        j                  |	«      }	t        j                  d	d
|	«      j                  «       d d }	| j                  d|j                  |t        |	f«       yy# t
        $ r Y Œ¼w xY w# t        j                   $ r=}
dt#        |
«      v r*t%        j&                  d«       t)        | |||||«      cY d }
~
S ‚ d }
~
ww xY w)Nz7SELECT id FROM gov_raw WHERE page_url=? AND site_name=?FÚotherr   )Úclassify_industryz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)ú<[^>]+>r   r%   r&   r   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedr2   )r{   r|   ÚfetchoneÚcrawler_libr…   r   Ú
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr*   r+   r'   r(   r,   Ú	lastrowidÚsqlite3ÚOperationalErrorrn   r   r   Ústore_record)r   r   r=   rt   r>   rq   r€   Úindustryr…   ÚsummaryÚes              r"   r�   r�   ²   sF  € Ø
�,‰,ÐPÐSVÔXaÐRbÓ
c€CØ
‡|�|„~ØðØˆð	Ý5Ù(¨Ó/ˆHð �l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\dÐeó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð Øøô# ò 	Ùð	ûô$ ×#Ñ#ò Ø”s˜1“vÑÜ�J‰J�qŒMÜ  c¨5°'¸4ÀÓKÕKØûð	úsF   «C< ®C- ¼B/C< Ã-	C9Ã6C< Ã8C9Ã9C< Ã<EÄ1EÅ EÅEÅEc                  ó˜  — d } t         sbt        j                  t        d¬«      } | j	                  d«       | j	                  d«       t        | «      }t        dt        |«      › d�d¬«       d	}d	}g }t        d
t        d
z   «      D �]�  }t        |«      }t        d|› dt        |«      › �d¬«       |st        dd¬«        �nV|D �]M  \  }}}	t         s
|v r|d
z  }Œt        |«      \  }
}}|€t        d|d d › d|› �d¬«       |d
z  }ŒE|
s|}
|s|	}t        ||«      \  }}}t        ||«      }t        t        j                  dd|«      j!                  «       «      }|dk  r"d|vr|st        d|
d d › d|› �d¬«       |d
z  }Œ¾t         rD|j#                  ||
|||t$        t&        t(        dœ«       t        d|
d d › d|› d�d¬«       |d
z  }�Œt+        | ||
|||«      }|r/|d
z  }j-                  |«       t        d|
d d › d|› d�d¬«       �ŒI|d
z  }�ŒP �Œ’ t         rmt/        t         dd¬«      5 }|D ]+  }|j1                  t3        j4                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t         › dt        |«      › d"�d¬«       | � | j7                  «        | j9                  «        t        d#|› d$|› �d¬«       y # 1 sw Y   Œ`xY w)%Né<   )r   zPRAGMA busy_timeout=60000zPRAGMA journal_mode=WALu
   å·²å…¥åº“ u    æ�¡, ç”¨äºŽåˆ—è¡¨çº§é¢„æŸ¥é‡�T)Úflushr   r
   z[list] page=z items=zEmpty page, stop paginationz  skip empty: é   z | r†   r   é
   z<img)Úpage_urlr=   rt   Úpublish_daterq   Ú	site_nameÚ
group_nameÚscript_namez
  JSONL + é(   z (ú)z  + Úwr   )r   F)Úensure_asciiú
zJSONL written: z rows)z[done] new=z skip=)r   rŽ   Úconnectr   r{   r‚   ÚprintÚlenr   Ú_PAGESr?   rV   ru   ry   r*   r+   r,   r7   r|   rŠ   r‹   r�   ÚaddÚopenÚwriteÚjsonÚdumpsÚcommitÚclose)r   ÚexistingÚ	new_countÚ
skip_countÚ
jsonl_rowsr8   r:   r<   r=   r>   ÚdtitleÚddaterD   rt   rq   ÚattsÚ	plain_lenÚokÚfr�   s                       r"   Úmainr¸   Ô   sþ  € Ø€DÝÜ�‰œw°Ô3ˆØ�‰Ð0Ô1Ø�‰Ð.Ô/Ü% dÓ+ˆÜ�
œ3˜x›=˜/Ð)GÐHÐPTÕUà€IØ€JØ€Jä�aœ !™Ó$ó * ˆÜ˜4Ó ˆÜ�˜T˜F '¬#¨e«*¨Ð6¸dÕCÙÜÐ/°tÕ<ÚØ$)ó $	 Ñ ˆG�U˜DÝ '¨XÑ"5Ø˜a‘�
ØÜ!-¨gÓ!6ÑˆF�E˜3Øˆ{Ü˜ u¨S¨b z l°#°g°YÐ?ÀtÕLØ˜a‘�
ØÙØ�ÙØ�Ü'3°C¸Ó'AÑ$ˆG�Y Ü(¨°$Ó7ˆGÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIØ˜2Š~ &°Ñ"7ÁÜ˜ v¨c¨r { m°3°w°iÐ@ÈÕMØ˜a‘�
ØÝØ×!Ñ!Ø '°&ÀWØ$)¸	Ü!*¼*Ü#.ñ	#ô ô ˜
 6¨#¨2 ; -¨r°%°¸Ð:À$ÕGØ˜Q‘�	ÙÜ˜d G¨V°W¸eÀYÓOˆBÙØ˜Q‘�	Ø—‘˜WÔ%Ü˜˜V C R˜[˜M¨¨E¨7°!Ð4¸D×Aà˜a‘’
òI$	 ð* õX Ü”*˜c¨GÔ4ð 	D¸Ø!ò D�Ø—‘œŸ
™
 3°UÔ;¸dÑBÕCñD÷	Dô 	�¤
˜|¨2¬c°*«oÐ->¸fÐEÈTÕRàÐØ�‰ŒØ�
‰
ŒÜ	ˆK˜	�{ &¨¨Ð
5¸TÖB÷	Dð 	Dús   È/1K Ë K	Ú__main__)r2   r—   )1Ú__doc__ÚsysÚosr*   r   Úhtmlr'   Úurllib.parserh   rŽ   rª   r   Úbs4r   r   rk   r3   r|   rŠ   r‹   Úenvironr   r   r   ÚENCr   r   r   Ú
_MAX_PAGESÚ	enumerateÚargvr    r]   rg   ÚintÚsplitÚ
ValueErrorr¥   r¦   r#   r.   r?   rV   ru   ry   r‚   r�   r¸   Ú__name__© r/   r"   ú<module>rÊ      s˜  ðñ	ó Û 	Û 	Û Û Û Û Û ã ß &ð '€ØÐ4Ñ4€Ø*€	Ø€
Ø%€Ø
�*‰*�.‰.˜Ð$5Ó
6€Ø�Z‰Z�^‰^˜L¨"Ó-€
Ø€ð @ØOØ'ñ€ð Ð Ø€	à€
Ù�c—h‘hÓò 
�D€A€qØ‡|�|�JÔð	Ù˜QŸW™W S¨!›_¨QÑ/Ó0‰Jð 
ˆi‹˜A ™E¡C¨¯©£MÓ1ð	Ù˜SŸX™X a¨!¡e™_Ó-‰Jð
ð " Q’‰¨A€óò$òò(ò@+ò.òòòDBCðJ ˆzÒÙ…Fð øðQ ò 	Ùð	ûð
 ò 	Ùð	ús$   Â,D5Ã(E Ä5D=Ä<D=Å EÅE