Ë
    ¸¬uj/  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eez   ZdZdZdZd	Zd
dddœZdZ eej.                  «      D ]k  \  ZZej5                  d«      r	  eej9                  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&e'dk(  r e&«        yy# e$ r dZY ŒÏw xY w# e$ r Y Œ¯w xY w# e$ r Y Œºw xY w)u«  
æŸ³æ²³åŽ¿äººæ°‘æ”¿åºœ - é€šçŸ¥å…¬å‘Š (www.jllh.gov.cn/xxgk/tzgg/)
CMS: TRS (div.TRS_Editor æ­£æ–‡, h2 æ ‡é¢˜, h4 å�‘å¸ƒæ—¶é—´, createPageHTML åˆ†é¡µ)
åˆ—è¡¨: ul.ul_list > li > a[href=./YYYYMM/tID.html] + span æ—¥æœŸ (15æ�¡/é¡µ, countPage=1)
è¯¦æƒ…: div.lhx_news > h2 å®Œæ•´æ ‡é¢˜ + h4 å�‘å¸ƒæ—¶é—´ + p > div.TRS_Editor æ­£æ–‡ (å†…åµŒ style å™ªå£°)
      TRS_Editor å†… Word è½¬æ�¢æ®µè�½ + table ä¿�ç•™ + appendix é™„ä»¶å†…åµŒ
é    N)ÚBeautifulSoupzhttp://www.jllh.gov.cnz/xxgk/tzgg/u"   æŸ³æ²³åŽ¿äººæ°‘æ”¿åºœ-é€šçŸ¥å…¬å‘Šu   å�‰æž—zcrawl_jllh_tzgg.pyz/mnt/data/search.dbzkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9)z
User-AgentÚAcceptzAccept-Languageé   z--pages=ú=z--pagesc                 ó  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } | j                  «       S )zPStrip &middot;&nbsp; entity prefixes + unescape all entities + strip zero-width.Ú u   â€‹u   â€Œu   â€�u   ï»¿ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    ú$/root/gov_crawler/crawl_jllh_tzgg.pyÚclean_titler   8   so   € á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                 ó   — dd l }d }t        |«      D ]O  }	 |xs |j                  | t        |¬«      }|j                  dk(  r|c S |}t        j                  d|dz   z  «       ŒQ t        |t
        «      r|‚|S # t
        $ r}|}Y d }~ŒAd }~ww xY w)Nr   )ÚheadersÚtimeoutéÈ   g      ø?r   )	ÚrequestsÚrangeÚgetÚHEADERSÚstatus_codeÚ	ExceptionÚtimeÚsleepÚ
isinstance)	ÚurlÚsessionr   Úretriesr   ÚlastÚiÚrÚes	            r   Úfetchr)   B   s—   € ÛØ€DÜ�7‹^ò "ˆð	ØÒ$˜H×)Ñ)¨#´wÈÐ)ÓPˆAØ�}‰} Ò#Ø’ØˆDô 	�
‰
�3˜!˜a™%‘=Õ!ð"ô �$œ	Ô"Øˆ
Ø€Køô ò 	Ø�Dûð	ús   –,A8ÁA8Á8	BÂBÂBc           
      óJ	  ‡‡‡‡— | sddg fS t        j                  dd| t         j                  ¬«      } t        j                  dd| «      } t        j                  dd| «      } 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ˆfd
„}t        j                  d|| t         j                  t         j                  z  ¬«      }t        j                  d| t         j                  «      rdnd}g Ši Šˆˆˆfd„}t        j                  d||t         j                  t         j                  z  ¬«      }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 )#zÌConvert detail-content inner HTML to stored format:
    - keep <table> HTML intact
    - 

 between <p> blocks
    - attachment <a> links embedded with absolute URL
    - strip <script>/<style>/noise
    r   r   zI^\s*<div\s+class=[\"']?(?:detail-content|TRS_Editor|lhx_news)[\"']?[^>]*>)Úflagsz
</div>\s*$z</p>\s*$z
<!--.*?-->z<script[^>]*>.*?</script>z<style[^>]*>.*?</style>c                 óh   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  › d�S )Nr   Ú__TBL__r   Ú__)ÚappendÚgroupÚlen)ÚmÚtable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_repld   s3   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Øœ˜]Ó+¨AÑ-Ð.¨bÐ1Ð1r   z<table[^>]*>.*?</table>z<table[^>]*>r   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   é   ú<[^>]+>r   u   ^é™„ä»¶[:ï¼š]\s*ú?r   u   é™„ä»¶Ú__LINK__r.   z	<a href="z" target="_blank">z</a>)r0   r   r   r   r   r   ÚosÚpathÚbasenameÚsplitÚurllibÚparseÚurljoinr/   r1   )	r2   ÚhrefÚinnerÚtxtÚabs_urlÚkeyÚattachmentsÚlink_protectÚpage_urls	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repll   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>z</p>z</p>

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

r7   õ   Â r
   z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+r-   r.   z__LINK__\d+__z__TBL__\d+__z[ \t]+\nz\n{3,}z	[ \t]{2,}r	   )r   r   ÚIÚSÚsearchr=   r   r   r   r   ÚitemsÚ	enumerater/   ÚjoinÚsetÚadd)ÚcontentrH   r4   Úcontent2Ú	has_tablerI   ÚpartsÚblockÚbÚplainÚkÚvr&   ÚtblÚoutÚseenÚfinalÚprE   rF   rG   r3   s    `                 @@@r   Úhtml_to_textrb   S   sÜ  û€ ñ Ø�1�bˆyÐÜ�f‰fÐaÐceÐgnÔvx×vzÑvzÔ{€GÜ�f‰f�] B¨Ó0€GÜ�f‰f�[ " gÓ.€GÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€Gà€Mô2ô �v‰vÐ0°)¸WÌBÏDÉDÔSU×SWÑSWÉKÔX€HÜ—Y‘Y˜°¼¿¹Ô>‘ÀA€Ià€KØ€Löô �v‰vÐ?ÀÈXÔ]_×]aÑ]aÔdf×dhÑdhÑ]hÔi€Hä�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$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 0‰ˆˆ3Ø�k‰k˜G A 3 b˜/¨3Ó/‰ð0ô �&‰&Ð! 2 sÓ
+€CÜ
�&‰&� " cÓ
*€Cä
×
Ñ
˜CÓ
 €CÜ
�&‰&�˜d CÓ
(€CÜ
�&‰&�˜F CÓ
(€CÜ
�&‰&�˜s CÓ
(€Cô ‹5€DØ€EØ�Y‰Y�vÓò ˆÜ�f‰f�V˜R¤§¡¨
°B¸Ó!:Ó;ˆÙØØ�$‰;ØØ�‰�ŒØ�‰�Q�ðð �+‰+�eÓ
×
"Ñ
"Ó
$€Cà�	˜;Ð&Ð&r   c           	      ó–  — g }t         �rt        | d«      }|j                  dd¬«      }|rö|j                  d«      D ]â  }|j                  dd¬«      }|sŒ|j                  d	d
«      j	                  «       }t        j                  d|«      sŒPt        j                  j                  t        |«      }t        |j                  dd¬«      «      }	|j                  d«      }
|
r|
j                  d¬«      nd
}t        j                  d|«      sd
}|j                  ||	|f«       Œä |s¦t        j                  d| t
        j                   «      D ]~  }t        j                  j                  t        |j#                  d«      «      }|j                  |t        |j#                  d«      «      |j#                  d«      j	                  «       f«       Œ€ |S )z*Extract (url, title, date) from list page.úhtml.parserÚulÚul_list©Úclass_ÚliÚaT)rA   rA   r   z/20\d{4}/t\d+_\d+\.html$r
   ©r   Úspanz^20\d{2}-\d{2}-\d{2}$zZ<li>\s*<a[^>]+href='([^']*?/20\d{4}/t\d+_\d+\.html)'[^>]*>(.*?)</a>\s*<span>([^<]*)</span>r   r6   é   )r   ÚfindÚfind_allr   r   r   rN   r>   r?   r@   ÚLIST_URLr   Úget_textÚmatchr/   ÚfinditerrM   r0   )Ú	html_textrH   rO   Úsoupre   ri   rj   rA   rD   Útitlerl   Údater2   s                r   Ú
parse_listrx   ®   s�  € à€EÞÜ˜Y¨Ó6ˆØ�Y‰Y�t IˆYÓ.ˆÙØ—k‘k $Ó'ò 5�Ø—G‘G˜C d�GÓ+�ÙØØ—u‘u˜V RÓ(×.Ñ.Ó0�Ü—y‘yÐ!<¸dÔCØÜ Ÿ,™,×.Ñ.¬x¸Ó>�Ü# A§J¡J¨s¸$ JÓ$?Ó@�Ø—w‘w˜v“�Ù48�t—}‘}¨4�}Ô0¸b�Ü—x‘xÐ 8¸$Ô?Ø�DØ—‘˜g u¨dÐ3Õ4ð5ñ Ü—‘Ðzð  }Fô  HJ÷  HLñ  HLó  Mò 	QˆAÜ—l‘l×*Ñ*¬8°Q·W±W¸Q³ZÓ@ˆGØ�L‰L˜'¤;¨q¯w©w°q«zÓ#:¸A¿G¹GÀA»J×<LÑ<LÓ<NÐOÕPð	Qð €Lr   c                 óN  — d}d}d}t         rït        | d«      }|j                  dd¬«      }|rÎ|j                  d«      }|rt        |j                  dd¬	«      «      }|j                  d
«      }|r7t	        j
                  d|j                  «       «      }	|	r|	j                  d«      }|j                  dt	        j                  d«      ¬«      }
|
rt        |
d   «      }n|j                  d«      }|rt        |«      }|r|s¢t	        j
                  d| t        j                  «      }|rt        |j                  d«      «      }t	        j
                  d| «      }|r|j                  d«      }t	        j
                  d| t        j                  «      }|r|j                  d«      }|||fS )z.Extract title, date, content from detail page.r   rd   ÚdivÚlhx_newsrg   Úh2r
   Trk   Úh4u(   å�‘å¸ƒæ—¶é—´[:ï¼š]\s*(\d{4}-\d{2}-\d{2})r   Ú
TRS_Editoréÿÿÿÿra   z<h2[^>]*>(.*?)</h2>z(<div class=TRS_Editor>(.*?)</div>\s*</p>r   )r   rn   r   rq   r   rN   r0   ro   ÚcompileÚstrrM   )rt   rH   rv   rw   Úcontent_htmlru   Únewsr|   r}   ÚdmÚtesra   r2   s                r   Úparse_detailr†   Ê   s_  € à€EØ€DØ€LÝÜ˜Y¨Ó6ˆØ�y‰y˜ zˆyÓ2ˆÙØ—‘˜4“ˆBÙÜ# B§K¡K°¸4 KÓ$@ÓA�Ø—‘˜4“ˆBÙÜ—Y‘YÐJÈBÏKÉKËMÓZ�ÙØŸ8™8 A›;�Dà—-‘- ¬b¯j©j¸Ó.G�-ÓHˆCÙÜ" 3 r¡7›|‘ð —I‘I˜c“N�ÙÜ#& q£6�LÙ™ä�I‰IÐ,¨i¼¿¹Ó>ˆÙÜ §¡¨£
Ó+ˆEÜ�I‰IÐAÀ9ÓMˆÙØ—7‘7˜1“:ˆDÜ�I‰IÐAÀ9ÌbÏdÉdÓSˆÙØŸ7™7 1›:ˆLØ�$˜Ð$Ð$r   c                 óT  — | j                  d|f«      }|j                  «       ry	 | j                  d|||||t        t        t        |d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        j                  $ r=}dt        |«      v r*t        j                   d«       t#        | |||||«      cY d }~S ‚ d }~ww xY w)Nz'SELECT id FROM gov_raw WHERE page_url=?Fz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)Úotherr   r7   r   r	   r
   r   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedrm   )ÚexecuteÚfetchoneÚ	SITE_NAMEÚ
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr   r   r   r   r   Ú	lastrowidÚsqlite3ÚOperationalErrorr�   r   r    Ústore_record)	Úconnr"   rv   rT   rw   rV   ÚcurÚsummaryr(   s	            r   r“   r“   ò   s  € Ø
�,‰,Ø1Ø	ˆó€Cð ‡|�|„~ØðØ�l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\cÐdó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð ØøÜ×#Ñ#ò Ø”s˜1“vÑÜ�J‰J�qŒMÜ  c¨5°'¸4ÀÓKÕKØûð	ús$   ¦B/C ÃD'Ã*1D"ÄD'Ä!D"Ä"D'c            
      óÜ  — dd l } | j                  «       }|j                  j                  t        «       t        j                  t        d¬«      }|j                  d«       |j                  d«       d}d}t        «       }t        dt        dz   «      D �]©  }|dk(  rt        }nt        › d|dz
  › d�}	 t        ||¬	«      }|j                  j                  d
d¬«      }	t%        |	|«      }t#        d|› dt'        |«      › d�d¬«       |s|dkD  rt#        dd¬«        �n#|D �]  \  }}}||v rŒ|j)                  |«       	 t        ||¬	«      }|j                  j                  d
d¬«      }t+        ||«      \  }}}|s|}|s|}t-        ||«      \  }}}t'        t/        j0                  dd|«      j3                  «       «      }|dk  rt#        d|d d › �d¬«       |dz  }Œ½t5        ||||||«      }|r|dz  }t#        d|d d › d|› d�d¬«       n|dz  }t7        j8                  d«       �Œ t7        j8                  d «       �Œ¬ |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         $ r#}
t#        d|› d|
› �d¬«       |dz  }Y d }
~
�ŒÈd }
~
ww xY w)%Nr   é<   )r   zPRAGMA busy_timeout=60000zPRAGMA journal_mode=WALr   Úindex_z.html)r#   zutf-8r   )ÚerrorszPage z fetch error: T)Úflushz: found z itemszEmpty page, stop paginationz  detail error z: r7   r   é
   z  skip empty: é   z  + é(   z (ú)g333333Ó?g      à?u   æ–°å¢ž: u   è·³è¿‡: z=== z	 done ===) r   ÚSessionr   Úupdater   r‘   ÚconnectÚDB_PATHrŠ   rR   r   Ú_PAGESrp   r)   rT   Údecoder   Úprintrx   r1   rS   r†   rb   r   r   r   r“   r   r    ÚcommitÚcloserŒ   )r   Úsr”   Ú	new_countÚ
skip_countÚ	seen_urlsÚpager"   r'   rt   r(   rO   rD   rv   rw   ÚdhtmlÚdtitleÚddater‚   rT   rV   Ú_Ú	plain_lenÚoks                           r   Úmainr´     sí  € ÛØ×ÑÓ€AØ‡I�I×Ñ”WÔÜ�?‰?œ7¨BÔ/€DØ‡L�LÐ,Ô-Ø‡L�LÐ*Ô+à€IØ€JÜ“€Iä�aœ !™Ó$ó -ˆØ�1Š9Ü‰Cä�J˜f T¨!¡V H¨EÐ2ˆCð	Ü�c 1Ô%ˆAØŸ	™	×(Ñ(¨¸Ð(ÓCˆIô ˜9 cÓ*ˆÜ��d�V˜8¤C¨£J <¨vÐ6¸dÕCÙ˜ šÜÐ/°tÕ<ÚØ$)ó 	Ñ ˆG�U˜DØ˜)Ñ#ØØ�M‰M˜'Ô"ðÜ˜'¨1Ô-�ØŸ	™	×(Ñ(¨¸Ð(ÓC�ô
 +7°u¸gÓ*FÑ'ˆF�E˜<ÙØ�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�sŽOð9	ô: 	�
‰
�3Žð[-ð^ 	‡K�K„MØ‡J�J„LÜ	ˆH�Y�KÐ
 ¨Õ-Ü	ˆH�Z�LÐ
!¨Õ.Ü	ˆD”�˜9Ð
%¨TÖ2øôW ò 	Ü�E˜$˜˜~¨a¨SÐ1¸Õ>Ýûð	ûô ò Ü˜¨ y°°1°#Ð6¸dÕCØ˜a‘�
Ýûðús0   Â2*JÄ=*J?Ê	J<ÊJ7Ê7J<Ê?	K+ËK&Ë&K+Ú__main__)Nr�   rm   )(Ú__doc__Úsysr:   r   r   Úhtmlr   Úurllib.parser>   r‘   Úbs4r   ÚImportErrorÚBASE_URLÚ	LIST_PATHrp   rŒ   r�   rŽ   r£   r   Ú
_MAX_PAGESrP   Úargvr&   rj   Ú
startswithÚintr=   Ú
ValueErrorr1   r¤   r   r)   rb   rx   r†   r“   r´   Ú__name__© r   r   ú<module>rÅ      sq  ðñó Û 	Û 	Û Û Û Û ðÝ!ð
 $€Ø€	Ø�iÑ€Ø0€	Ø€
Ø"€Ø
€ð @Ø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"X'òvò8%%òPò>?3ðD ˆzÒÙ…Fð øð	 ò Ø‚Mðûð0 ò 	Ùð	ûð
 ò 	Ùð	ús5    C, Á)C9Â%DÃ,C6Ã5C6Ã9DÄ DÄDÄD