Ë
    Že|jÑ'  ã                   óŽ  — 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ddedœZdZda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$ej:                  «      k  sŒS	  e!ej:                  edz      «      ZŒm edk\  rendZ%d d„Z&d„ Z'd„ Z(d„ Z)d„ Z*d„ Z+d„ Z,d„ Z-e.dk(  r e-«        yy# e#$ r Y Œ¥w xY w# e#$ r Y Œ°w xY w)!u­  
crawl_huizhoucn_qwgg.py - ä»Šæ—¥æƒ å·žç½‘-åŸŽå¸‚å…¬å‘Š
https://www.huizhou.cn/gov/polity_qwgg/
TRS WCM (gbkç¼–ç �), åˆ—è¡¨ ul.list.m_t15 > li > span.datetime + a[href=./YYYYMM/tYYYYMMDD_N.htm][title]
åˆ†é¡µ: index.shtml + index_N.shtml (N=1..49, å…±50é¡µ ~1100æ�¡; index_50 ç©º)
è¯¦æƒ…: /gov/polity_qwgg/YYYYMM/tYYYYMMDD_N.htm
  â†’ h1.article_title(æ ‡é¢˜) + div.info(æ�¥æº�/æ—¶é—´) + div#ajax_text(æ­£æ–‡ p.Custom_UnionStyle)
é    N)ÚBeautifulSoupÚCommentzhttp://www.huizhou.cnz/gov/polity_qwgg/u   ä»Šæ—¥æƒ å·žç½‘-åŸŽå¸‚å…¬å‘Šu   å¹¿ä¸œzcrawl_huizhoucn_qwgg.pyÚDB_PATHz/root/search.dbÚ
JSONL_PATHÚ zkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9)z
User-AgentÚAcceptzAccept-LanguageÚRefererg333333ó?g        é   z--pages=ú=z--pagesc                 ó�  — t        j                   «       t        z
  }|t        k  rt        j                  t        |z
  «       t        j                   «       at	        |«      D ]U  }	 t        j                  | t        |¬«      }|j                  dk(  rd|_	        |c S 	 t        j                  d|dz  z   «       ŒW y # t        $ r Y Œ)w xY w)N)ÚheadersÚtimeoutéÈ   Úgbké   )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_huizhoucn_qwgg.pyÚhttp_getr#   9   s®   € ä	�‰‹”yÑ	 €BØ	ÔÒÜ�
‰
Ô# bÑ(Ô)Ü—	‘	“€IÜ�7‹^ò ˆð	Ü—‘˜S¬'¸7ÔCˆAØ�}‰} Ò#Ø"�”
Ø’ð $ô
 	�
‰
�1�q˜1‘u‘9Õðð øô ò 	Ùð	ús   Á$3B9Â9	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.   K   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           	      ób  — | dk(  rt         }nt         d| dz
  › d�z   }t        |«      }|€g S |j                  }g }t        j                  d|«      D ]Ü  }|j                  d«      |j                  d«      t        |j                  d«      «      }}}|sdt        j                  d|j                  d«      «      r=t        t        j                  d|j                  d«      «      j                  d«      «      nd	}t        j                  j                  t         |«      }	|j                  |	||f«       ŒÞ |S )
u0   æŠ“ä¸€é¡µåˆ—è¡¨, è¿”å›ž [(abs_url, title, date)]r
   Úindex_z.shtmlzr<span class="datetime">\s*(\d{4}-\d{2}-\d{2})\s*</span>\s*<a[^>]*href="([^"]*t20\d+_\d+\.htm)"[^>]*title="([^"]*)"r   é   z>([^<]+)</a>r   r   )ÚLIST_URLr#   Útextr*   ÚfinditerÚgroupr.   ÚsearchÚurllibÚparseÚurljoinÚappend)
Úpager   r!   Ú	html_textÚitemsÚmÚdateÚhrefÚtitleÚabs_urls
             r"   Ú
fetch_listrD   T   s  € àˆq‚yÜ‰ä˜6 $ q¡& ¨Ð0Ñ0ˆÜ�‹€AØ€yØˆ	Ø—‘€IØ€EÜ�[‰[ð  Oð  QZó  [ò -ˆØŸG™G A›J¨¯©°«
´KÀÇÁÈÃ
Ó4K�EˆdˆÙÜTV×T]ÑT]Ð^mÐop×ovÑovÐwxÓoyÔTz”K¤§	¡	¨/¸1¿7¹7À1»:Ó F× LÑ LÈQÓ OÔPð  ACˆEÜ—,‘,×&Ñ&¤x°Ó6ˆØ�‰�g˜u dÐ+Õ,ð-ð €Lr/   c                 óš  — t        | «      }|€ddddg fS d|j                  v st        |j                  «      dk  rddddg fS t        |j                  d«      }d}|j	                  dd¬	«      }|rt        |j                  «       «      }|s>t        j                  d
|j                  «      }|rt        |j                  d«      «      nd}d}|j	                  dd¬	«      }|r7t        j                  d|j                  «       «      }|r|j                  d«      }|j	                  d¬«      }	|	€||ddg fS |	j                  g d¢«      D ]  }
|
j                  «        Œ |	j                  d„ ¬«      D ]  }|j                  «        Œ |	j                  d«      D ]«  }
t        |
j                  «       «      }|j                  d«      so|j                  d«      s^|j                  d«      sM|j                  d«      s<|j                  d«      s+|j                  d«      sd|v s|j                  d«      sd|v sŒœ|
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 )+uC   è¯¦æƒ…é¡µ: è¿”å›ž (title, pubdate, content, has_table, attachments)NFu   é¡µé�¢æ‰¾ä¸�åˆ°äº†i@  zhtml.parserr   Úh1Úarticle_title)Úclass_u   <title>(.*?)_ä»Šæ—¥æƒ å·žç½‘r
   ÚdivÚinfoz(\d{4}-\d{2}-\d{2})Ú	ajax_text)Úid)ÚscriptÚstyleÚiframeÚobjectÚmetaÚlinkc                 ó"   — t        | t        «      S )N)Ú
isinstancer   )Úss    r"   ú<lambda>zparse_detail.<locals>.<lambda>†   s   € ¬J°q¼'Ó,B€ r/   )ÚstringÚpu	   ï¼ˆç¼–è¾‘u   (ç¼–è¾‘u	   ç¼–è¾‘ï¼šu   è´£ä»»ç¼–è¾‘u	   ï¼ˆæ�¥æº�u   (æ�¥æº�u   è´£ä»»ç¼–è¾‘ï¼šu   æ‰«ç �u	   åˆ†äº«åˆ°ÚtableÚaT)rA   rA   ú/Úhttp)z.pdfz.docz.docxz.xlsz.xlsxz.zipz.rarz.wpsÚuploadÚ
attachmentÚimg)Úsrcr`   )r#   r4   Úlenr   Úfindr.   Úget_textr*   r7   r6   Úfind_allÚ	decomposeÚextractÚ
startswithÚboolr,   r8   r9   r:   ÚBASE_URLÚlowerÚendswithr;   Ústr)r   r!   ÚsouprB   rF   ÚtmÚpubdaterJ   r?   ÚbodyÚtagÚcÚtxtÚ	has_tableÚattachmentsrZ   Úhr_   rU   Úcontents                       r"   Úparse_detailrx   h   sh  € ä�‹€AØ€yØ�T˜4 ¨Ð*Ð*à˜qŸv™vÑ%¬¨Q¯V©V«°tÒ);Ø�T˜4 ¨Ð*Ð*Ü˜Ÿ™ Ó/€Dà€EØ	�‰�4 ˆÓ	0€BÙ	Ü˜BŸK™K›MÓ*ˆÙÜ�Y‰YÐ6¸¿¹Ó?ˆÙ,.”˜BŸH™H Q›KÔ(°Bˆà€GØ�9‰9�U 6ˆ9Ó*€DÙÜ�I‰IÐ,¨d¯m©m«oÓ>ˆÙØ—g‘g˜a“jˆGà�9‰9˜ˆ9Ó$€DØ€|Ø�g˜t U¨BÐ.Ð.Ø�}‰}ÒTÓUò ˆØ�‰�ðà�]‰]Ñ"Bˆ]ÓCò ˆØ	�	‰	�ðð �}‰}˜SÓ!ò ˆÜ˜#Ÿ,™,›.Ó)ˆØ�N‰N˜;Ô'¨3¯>©>¸)Ô+DÈÏÉÐWbÔHcØ—>‘> .Ô1°S·^±^ÀKÔ5PÐTW×TbÑTbÐclÔTmØ$¨Ñ+¨s¯~©~¸hÔ/GÈ;ÐZ]ÒK]Ø�M‰M�Oðô �T—Y‘Y˜wÓ'Ó(€IØ€KØ�]‰]˜3 Tˆ]Ó*ò 5ˆØˆf‰I�O‰OÓˆØ�<‰<˜Ô §¡¨VÔ 4ÜŸ™×,Ñ,¬X°qÓ9ˆAˆf‰IØ�7‰7‹9×ÑÐ`ÔaÐemÐqr×qxÑqxÓqzÑezð  Kð  OP÷  OVñ  OVó  OXò  XÜ˜aŸj™j›lÓ+ˆCÚØ×"Ñ" A f¡I¨sÐ#3Õ4ð5ð �}‰}˜U¨ˆ}Ó-ò ;ˆØ�‰J×ÑÓˆØ�<‰<˜Ô §¡¨VÕ 4ÜŸ™×-Ñ-¬h¸Ó:ˆC�ŠJð;ô �$‹i€GØ�'˜7 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,   r;   Újoin)rw   ru   ÚpartsrC   rs   s        r"   Úappend_attachmentsr|   ¡   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                   $ r=}
dt#        |
«      v r*t%        j&                  d«       t)        | |||||«      cY d }
~
S ‚ d }
~
ww xY w)Nz7SELECT id FROM gov_raw WHERE page_url=? AND site_name=?FÚotherr   )Úclassify_industryz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)ú<[^>]+>r   r%   r&   r   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedr2   )r~   r   ÚfetchoneÚcrawler_librˆ   r   Ú
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr*   r+   r'   r(   r,   Ú	lastrowidÚsqlite3ÚOperationalErrorrl   r   r   Ústore_record)r‚   r   rB   rw   r@   rt   rƒ   Úindustryrˆ   ÚsummaryÚes              r"   r“   r“   ²   sF  € Ø
�,‰,ÐPÐSVÔXaÐRbÓ
c€CØ
‡|�|„~ØðØˆð	Ý5Ù(¨Ó/ˆHð �l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\dÐeó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð Øøô# ò 	Ùð	ûô$ ×#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                  óz  — 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¬«        �nG|D �]>  \  }}}	t         s
|v r|d
z  }Œt        |«      \  }
}}}}|€t        d|d d › d|› �d¬«       |d
z  }ŒG|
s|}
|s|	}t        ||«      }t        t        j                  dd|«      j                  «       «      }|dk  r"d|vr|st        d|
d d › d|› �d¬«       |d
z  }Œ°t         rC|j!                  ||
|||t"        t$        t&        dœ«       t        d|
d d › d|› d�d¬«       |d
z  }Œùt)        | ||
|||«      }|r/|d
z  }j+                  |«       t        d|
d d › d|› d�d¬«       �Œ:|d
z  }�ŒA �Œƒ t         rmt-        t         dd¬«      5 }|D ]+  }|j/                  t1        j2                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t         › dt        |«      › d"�d¬«       | � | j5                  «        | j7                  «        t        d#|› d$|› �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_urlrB   rw   Úpublish_datert   Ú	site_nameÚ
group_nameÚscript_namez
  JSONL + é(   z (ú)z  + Úwzutf-8)r   F)Úensure_asciiú
zJSONL written: z rows)z[done] new=z skip=)r   r‘   Úconnectr   r~   r…   Úprintra   r   Ú_PAGESrD   rx   r|   r*   r+   r,   r;   r   r�   rŽ   r“   ÚaddÚopenÚwriteÚjsonÚdumpsÚcommitÚclose)r‚   ÚexistingÚ	new_countÚ
skip_countÚ
jsonl_rowsr<   r>   rC   rB   r@   ÚdtitleÚddaterw   rt   ÚattsÚ	plain_lenÚokÚfr„   s                      r"   Úmainrº   Ô   sï  € 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Ü6BÀ7Ó6KÑ3ˆF�E˜7 I¨tØˆÜ˜ u¨S¨b z l°#°g°YÐ?ÀtÕLØ˜a‘�
ØÙØ�ÙØ�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‘�	ØÜ˜d G¨V°W¸eÀYÓOˆBÙØ˜Q‘�	Ø—‘˜WÔ%Ü˜˜V C R˜[˜M¨¨E¨7°!Ð4¸D×Aà˜a‘’
òG#	 ð) õV 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 1J1Ê1J:Ú__main__)r2   rš   )/Ú__doc__ÚsysÚosr*   r   Úhtmlr'   Úurllib.parser8   r‘   r¬   r   Úbs4r   r   ri   r3   r   r�   rŽ   Úenvironr   r   r   r   r   r   Ú
_MAX_PAGESÚ	enumerateÚargvr    rZ   rg   ÚintÚsplitÚ
ValueErrorra   r¨   r#   r.   rD   rx   r|   r…   r“   rº   Ú__name__© r/   r"   ú<module>rË      s‘  ðñó Û 	Û 	Û Û Û Û Û ã ß &ð #€ØÐ)Ñ)€Ø*€	Ø€
Ø'€Ø
�*‰*�.‰.˜Ð$5Ó
6€Ø�Z‰Z�^‰^˜L¨"Ó-€
ð @ØOØ'Øñ	€ð Ð Ø€	à€
Ù�c—h‘hÓò 
�D€A€qØ‡|�|�JÔð	Ù˜QŸW™W S¨!›_¨QÑ/Ó0‰Jð 
ˆi‹˜A ™E¡C¨¯©£MÓ1ð	Ù˜SŸX™X a¨!¡e™_Ó-‰Jð
ð " Q’‰¨A€óò$òò(6;òròòòDACðH ˆzÒÙ…Fð øðS ò 	Ùð	ûð
 ò 	Ùð	ús$   Â+D1Ã'D<Ä1D9Ä8D9Ä<EÅE