Ë
    ¸¬uj#  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mZ ddlm	Z	 dZ
dZdZdZd	Zd
ZdZddiZd„ Zd„ Zd„ Zd„ Zedk(  r e«        yy)uü  è€�è¾¹åŒºäººæ°‘æ”¿åºœ â€” é€šçŸ¥å…¬å‘Šçˆ¬è™«
URL: http://www.laobian.gov.cn/004/about.html
CMS: webBuilder (ewb- å‰�ç¼€, ivs_content)
åˆ—è¡¨: ul > li.ewb-list-node > a.ewb-list-name + span.ewb-list-date
  ç¬¬1é¡µ: /004/about.html
  ç¬¬Né¡µ: /004/{N}.html
  å…±656æ�¡/15=44é¡µ
è¯¦æƒ…: /004/{YYYYMMDD}/{UUID}.html
  æ ‡é¢˜: meta ArticleTitle
  æ—¥æœŸ: meta PubDate (2026-07-23)
  æ�¥æº�: meta ContentSource
  æ­£æ–‡: div#ivs_content (å¤špæ®µè�½ + table)
  é™„ä»¶: ul.ewb-attach (æ­£æ–‡å®¹å™¨å¤–, å�•ç‹¬æ��å�–)
é    N)ÚBeautifulSoup)Úurljoinz/root/search.dbzhttp://www.laobian.gov.cnu   è€�è¾¹åŒº-é€šçŸ¥å…¬å‘Šu   è¾½å®�zcrawl_laobian_tzgg.pyé,   é   z
User-Agentz[Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0.0.0 Safari/537.36c                 ó<   — t        | t        j                  d¬«       y )NT)ÚfileÚflush)ÚprintÚsysÚstderr)Úmsgs    ú'/root/gov_crawler/crawl_laobian_tzgg.pyÚlogr   !   s   € Ü	ˆ#”C—J‘J dÖ+ó    c                 ó(  — | dk(  r	t         › d�nt         › d| › d�}	 t        j                  |t        d¬«      }d|_        t        |j                  d«      }g }|j                  dd¬«      D ]ü  }|j                  dd¬«      }|sŒ|j                  dd«      j                  «       }|r	|dk(  sd|v rŒE|j                  d«      st        t         |«      }|j                  dd«      j                  «       xs |j                  d¬«      }	d}
|j                  dd¬«      }|r7t        j                   d|j                  «       «      }|r|j#                  d«      }
|j%                  |	||
dœ«       Œþ |S # t
        $ r}t        d| › d	|› �«       g cY d
}~S d
}~ww xY w)u)   æŠ“åˆ—è¡¨é¡µ, è¿”å›ž [{title, url, date}]é   z/004/about.htmlz/004/z.htmlé   ©ÚheadersÚtimeoutúutf-8u     [WARN] ç¬¬u   é¡µè¯·æ±‚å¤±è´¥: Núhtml.parserÚlizewb-list-node©Úclass_Úazewb-list-nameÚhrefÚ ú#z{{ÚhttpÚtitleT©ÚstripÚspanzewb-list-dateú(20\d{2}-\d{2}-\d{2}))r!   ÚurlÚdate)ÚBASEÚrequestsÚgetÚHEADERSÚencodingÚ	Exceptionr   r   ÚtextÚfind_allÚfindr#   Ú
startswithr   Úget_textÚreÚsearchÚgroupÚappend)Úpgr&   ÚrÚeÚsoupÚitemsr   r   r   r!   r'   ÚdspanÚdms                r   Ú
crawl_listr>   %   sƒ  € à&(¨A¢gŒTˆF�/Ñ
"´d°V¸5ÀÀÀEÐ3J€CðÜ�L‰L˜¤g°rÔ:ˆØˆŒ
ô ˜Ÿ™ Ó/€DØ€EØ�m‰m˜D¨ˆmÓ9ò BˆØ�G‰G�C ˆGÓ0ˆÙØØ�u‰u�V˜RÓ ×&Ñ&Ó(ˆÙ�t˜s’{ d¨d¡lØØ�‰˜vÔ&Üœ4 Ó&ˆDØ—‘�g˜rÓ"×(Ñ(Ó*ÒD¨a¯j©j¸t¨jÓ.DˆØˆØ—‘˜ �Ó7ˆÙÜ—‘Ð3°U·^±^Ó5EÓFˆBÙØ—x‘x “{�Ø�‰˜u¨T¸4Ñ@ÕAð!Bð" €Løô- ò Üˆl˜2˜$Ð/°¨sÐ3Ô4Ø�	ûðús   œ#E+ Å+	FÅ4FÆFÆFc                 ó	  ‡— 	 t        j                  | t        d¬«      }d|_        |j                  }t        |d«      }d	}|j                  d
ddi¬«      }|r$|j                  d«      r|d   j                  «       }d	}|j                  d
ddi¬«      }|r=|j                  d«      r,t        j                  d|d   «      }	|	r|	j                  d«      }d	}
|j                  dd¬«      }|s|j                  dd¬«      }|�rdg }t        «       Š|j                  dd¬«      D ]Ž  }|j                  dd¬«      D ]v  }|d   j                  «       }|j                  d«      st!        t"        |«      }|j%                  d¬«      xs d}|‰vsŒR‰j'                  |«       |j)                  ||d œ«       Œx Œ� |j                  dd¬«      D ]œ  }|d   j                  «       }t        j                  d!|t        j*                  «      sŒ<|j                  d«      st!        t"        |«      }|j%                  d¬«      xs d}|‰vsŒx‰j'                  |«       |j)                  ||d œ«       Œž g }|j                  g d"¢d¬#«      D �]  }|j,                  d$k7  r|j/                  d$«      rŒ%|j,                  d%k(  r)t1        ˆfd&„|j                  dgd¬«      D «       «      }|rŒ]t3        |«      j                  «       }|sŒy|j,                  d%k(  r@|j                  d$«      rŒš|j                  d%d'¬#«      }|rt3        |«      j                  «       }|j,                  dk(  r%|j/                  d«      r|j                  d%d$g«      sŒü|j,                  d(v s�Œ|j)                  |«       �Œ d)j5                  |«      j                  «       }
g }|
j7                  d)«      D ]Q  }|j                  «       }|sŒt        j8                  d*d	|«      j                  «       sŒ<||vsŒA|j)                  |«       ŒS d)j5                  |«      j                  «       }
|r$d+j5                  d,„ |D «       «      }|
r|
d)z   |z   n|}
|||
fS # t
        $ r}t        d| › d|› �«       Y d}~yd}~ww xY w)-u   è¿”å›ž (title, date, content)r   r   r   u     [WARN] è¯¦æƒ…å¤±è´¥ z: N)NNNr   r   ÚmetaÚnameÚArticleTitle)ÚattrsÚcontentÚPubDater%   r   ÚdivÚivs_content)Úidzewb-article-contentr   Úulz
ewb-attachr   T)r   r   r    r"   u   é™„ä»¶)rA   r&   z*\.(pdf|doc|docx|xls|xlsx|zip|rar|wps|txt)$)ÚprF   Útable)Ú	recursiverK   rJ   c              3   ób   •K  — | ]&  }|j                  d d«      j                  «       ‰v –— Œ( y­w)r   r   N)r*   r#   )Ú.0r   Úseen_atts     €r   ú	<genexpr>z!extract_detail.<locals>.<genexpr>~   s2   øè ø€ ò >àð —E‘E˜& "Ó%×+Ñ+Ó-°Ô9ñ>ùs   ƒ,/F)rJ   rK   z

ú<[^>]+>ú
c              3   ó:   K  — | ]  }d |d   › d|d   › d�–— Œ y­w)z<p><a href="r&   z">rA   z</a></p>N© )rN   Úatts     r   rP   z!extract_detail.<locals>.<genexpr>ž   s(   è ø€ Ò!lÐY\ L°°U±°¸B¸sÀ6¹{¸mÈ8Ô"TÑ!lùs   ‚)r)   r*   r+   r,   r.   r-   r   r   r0   r#   r3   r4   r5   Úsetr/   r1   r   r(   r2   Úaddr6   ÚIrA   Úfind_parentÚanyÚstrÚjoinÚsplitÚsub)r&   r8   Úhtmlr9   r:   r!   Úmtr'   ÚmdÚmrD   ÚdcÚattachmentsrI   r   r   rA   ÚpartsÚnodeÚhas_attÚhtml_strÚinner_pÚ
uniq_partsÚpartÚpart_strippedÚ	att_linksrO   s                             @r   Úextract_detailrn   D   sF  ø€ ð Ü�L‰L˜¤g°rÔ:ˆØˆŒ
Ø�v‰vˆô ˜˜}Ó-€Dà€EØ	�‰�6 &¨.Ð!9ˆÓ	:€BÙ	ˆb�f‰f�YÔØ�9‘×#Ñ#Ó%ˆà€DØ	�‰�6 &¨)Ð!4ˆÓ	5€BÙ	ˆb�f‰f�YÔÜ�I‰IÐ.°°9±Ó>ˆÙØ—7‘7˜1“:ˆDà€GØ	�‰�5˜]ˆÓ	+€BÙØ�Y‰Y�uÐ%:ˆYÓ;ˆÚ	àˆÜ“5ˆØ—-‘- ¨\�-Ó:ò 	DˆBØ—[‘[ ¨4�[Ó0ò D�Ø˜‘y—‘Ó(�Ø—‘ vÔ.Ü"¤4¨Ó.�DØ—z‘z¨�zÓ-Ò9°�Ø˜xÒ'Ø—L‘L Ô&Ø×&Ñ&°¸TÑ'BÕCñDð	Dð —‘˜S t�Ó,ò 	DˆAØ�V‘9—?‘?Ó$ˆDÜ�y‰yÐFÈÌbÏdÉdÕSØ—‘ vÔ.Ü"¤4¨Ó.�DØ—z‘z¨�zÓ-Ò9°�Ø˜xÒ'Ø—L‘L Ô&Ø×&Ñ&°¸TÑ'BÕCð	Dð ˆØ—K‘KÒ 5À�KÓFó 	'ˆDà�y‰y˜GÒ#¨×(8Ñ(8¸Ô(AØà�y‰y˜CÒÜó >à!Ÿ]™]¨C¨5°t˜]Ó<ô>ó >�ñ ØÜ˜4“y—‘Ó(ˆHÙØà�y‰y˜CÒØ—9‘9˜WÔ%ØØŸ)™) C°5˜)Ó9�ÙÜ" 7›|×1Ñ1Ó3�HØ�y‰y˜EÒ! d×&6Ñ&6°uÔ&=ÀdÇiÁiÐQTÐV]ÐP^ÔF_ØØ�y‰y˜NÓ*Ø—‘˜XÖ&ð1	'ð2 —+‘+˜eÓ$×*Ñ*Ó,ˆàˆ
Ø—M‘M &Ó)ò 	1ˆDØ ŸJ™J›LˆMÙ ØÜ—6‘6˜* b¨-Ó8×>Ñ>Ô@ØØ JÒ.Ø×!Ñ! -Õ0ð	1ð —+‘+˜jÓ)×/Ñ/Ó1ˆÙØŸ	™	Ñ!lÐ`kÔ!lÓlˆIÙ6=�g Ñ&¨Ò2À9ˆGØ�$˜ÐÐøôm ò  ÜÐ$ S E¨¨A¨3Ð/Ô0Üûð ús   ƒ/Q' Ñ'	RÑ0RÒRc                  ó8  — dd l } | j                  «       }|j                  dt        d¬«       |j	                  «       }t        dt        |j                  t        «      «      }t        j                  t        d¬«      }|j                  d«       |j                  «       }|j                  d«       |j                  d	«       dx}x}}t        «       }	t        d|dz   «      D �]þ  }
t!        d
|
› d�«       t#        |
«      }|st!        d«        �nÔt!        dt%        |«      › d�«       |D �]³  }|d   |	v rŒ|	j'                  |d   «       |j                  d|d   f«       |j)                  «       r|dz  }ŒLt!        d|d   › d|d   d d › �«       t+        |d   «      \  }}}|s|d   }|s|d   }|r1t%        t-        j.                  dd|«      j1                  «       «      dk  r"t!        d|rt%        |«      nd› d�«       |dz  }ŒÛt-        j.                  dd|«      d d }t-        j.                  dd|«      j1                  «       }t-        j2                  d|«      rdnd}	 |j                  d||||d   |d   |t4        t6        t8        |df«      }|j:                  }|j                  d ||t4        |f«       |j=                  «        |dz  }tA        jB                  d!«       �Œ¶ �Œ tE        d"|› d#|› d$|› d%||z   |z   › �«       y # t        j>                  $ r |dz  }Y ŒSw xY w)&Nr   z--pagesr   )ÚtypeÚdefaultr   )r   zPRAGMA busy_timeout=10000a¬  CREATE TABLE IF NOT EXISTS gov_raw (id INTEGER PRIMARY KEY, site_name TEXT, source_url TEXT, page_url TEXT, title TEXT, publish_date TEXT, date_rank INTEGER DEFAULT 0, summary TEXT, status TEXT, category TEXT DEFAULT '', visits INTEGER DEFAULT 0, content TEXT DEFAULT '', tags TEXT DEFAULT '', industry TEXT DEFAULT 'other', attachments TEXT DEFAULT '', group_name TEXT, has_table INTEGER DEFAULT 0, script_name TEXT DEFAULT '')zgCREATE VIRTUAL TABLE IF NOT EXISTS gov_search USING fts5(title, site_name, summary, tokenize='trigram')u   --- ç¬¬u   é¡µ ---u   åˆ—è¡¨ä¸ºç©º, å�œæ­¢ç¿»é¡µu   æ‰¾åˆ°u   æ�¡r&   z'SELECT id FROM gov_raw WHERE page_url=?z  [r'   z] r!   é-   rQ   r   é
   u       æ­£æ–‡è¿‡çŸ­(u	   ), è·³è¿‡éÈ   z\s+ú z<tablezªINSERT INTO gov_raw (title, summary, content, page_url, source_url, publish_date, site_name, script_name, group_name, has_table, date_rank) VALUES (?,?,?,?,?,?,?,?,?,?,?)zJINSERT INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)g333333Ó?u	   
æ–°å¢ž: u
     é‡�å¤�: u
     è¿‡çŸ­: u
     æ€»è®¡: )#ÚargparseÚArgumentParserÚadd_argumentÚintÚ
parse_argsÚmaxÚminÚpagesÚ	MAX_PAGESÚsqlite3ÚconnectÚDBÚexecuteÚcursorrV   Úranger   r>   ÚlenrW   Úfetchonern   r3   r^   r#   r4   ÚSITEÚSCRIPTÚGROUPÚ	lastrowidÚcommitÚIntegrityErrorÚtimeÚsleepr
   )rv   ÚapÚargsr}   ÚconnÚcÚ	total_newÚ	total_dupÚ
total_skipÚseenr7   r;   Úitemr!   r'   rD   ÚsummaryÚ	has_tableÚcurÚrids                       r   Úmainrœ   £   s  € ÛØ	×	 Ñ	 Ó	"€BØ‡O�O�I¤C°€OÔ3Ø�=‰=‹?€DÜ�”3�t—z‘z¤9Ó-Ó.€Eä�?‰?œ2 rÔ*€DØ‡L�LÐ,Ô-Ø�‰‹€AØ‡I�Ið  }ô  ~Ø‡I�IÐwÔxà)*Ð*€IÐ*�	˜JÜ‹5€DÜ�A�u˜q‘yÓ!ó 'ˆÜˆg�b�T˜Ð!Ô"Ü˜2“ˆÙÜÐ,Ô-ÚÜˆf”S˜“Z�L Ð$Ô%Øó  	ˆDØ�E‰{˜dÑ"ØØ�H‰H�T˜%‘[Ô!Ø�I‰IÐ?À$ÀuÁ+ÀÔPØ�z‰zŒ|Ø˜Q‘�	ØÜ�#�d˜6‘l�^ 2 d¨7¡m°C°RÐ&8Ð%9Ð:Ô;Ü#1°$°u±+Ó#>Ñ ˆE�4˜ÙØ˜W™�ÙØ˜F‘|�Ùœc¤"§&¡&¨°R¸Ó"A×"GÑ"GÓ"IÓJÈRÒOÜÐ'¹¬¨G¬ÀQÐ'GÀyÐQÔRØ˜a‘�
ØÜ—f‘f˜Z¨¨WÓ5°d°sÐ;ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:ˆGÜŸY™Y y°'Ô:™ÀˆIð
Ø—i‘ið AØ˜G W¨d°5©k¸4À¹;ÈÌdÔTZÔ\aÐclÐnoÐpór�ð —m‘m�Ø—	‘	ÐfØ ¤t¨WÐ5ô7à—‘”Ø˜Q‘�	ô �J‰J�sŽOòA 	ð'ôP 
ˆJ�y�k ¨I¨;°jÀÀÈJÐW`ÐajÑWjÐkuÑWuÐVvÐ
wÕxøô ×)Ñ)ò Ø˜Q‘’	ðús   ÉA*K>Ë>LÌLÚ__main__)Ú__doc__r)   r   r3   r   r�   Úbs4r   Úurllib.parser   r�   r(   r‡   r‰   rˆ   r~   ÚPER_PAGEr+   r   r>   rn   rœ   Ú__name__rT   r   r   ú<module>r£      sw   ðñ÷ (× 'Ó 'Ý Ý  à€Ø"€Ø€Ø€Ø	 €Ø€	Ø€àÐoð€ò
,òò>\ ò~7yðt ˆzÒÙ…Fð r   