Ë
    Æq«j£'  ã                   óâ   — 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Z ej$                  dej&                  «      ZddiZd„ Zd„ Zd„ Zd„ Zd„ Zedk(  r e«        yy)uì  é™µå·�åŽ¿äººæ°‘æ”¿åºœ â€” å…¬ç¤ºå…¬å‘Šçˆ¬è™«
URL: http://www.lczf.gov.cn/zxzx_2/gsgg_9/
CMS: TRS (trs_editor_view)
åˆ—è¡¨: li > span.time + p.text > a (ç›¸å¯¹è·¯å¾„ ./YYYYMM/t{ID}.shtml)
  ç¬¬1é¡µ: index.shtml  ç¬¬Né¡µ: index_{N-1}.shtml
  å…±11é¡µÃ—20æ�¡â‰ˆ220æ�¡
è¯¦æƒ…: /zxzx_2/gsgg_9/{YYYYMM}/t{ID}.shtml
  æ ‡é¢˜: meta ArticleTitle
  æ—¥æœŸ: meta PubDate (2026-07-31 16:02:32)
  æ�¥æº�: meta ContentSource
  æ­£æ–‡: div.trs_editor_view (å¤špæ®µè�½ + é™„ä»¶a[appendix=true], å�«.et/.ofd)
é    N)ÚBeautifulSoup)Úurljoinz/root/search.dbzhttp://www.lczf.gov.cnz/zxzx_2/gsgg_9/u   é™µå·�åŽ¿-å…¬ç¤ºå…¬å‘Šu   å±±è¥¿zcrawl_lczf_tzgg.pyé   é   z1\.(pdf|doc|docx|xls|xlsx|zip|rar|wps|txt|et|ofd)$z
User-Agentz[Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0.0.0 Safari/537.36c                 óv  ‡— | s| S | D �cg c]  }t        |t        «      sŒ|‘Œ }}t        |«      t        | «      k7  r| S t        «       g }}| D ])  }||vsŒ|j	                  |«       |j                  |«       Œ+ |D �‡cg c]&  Št        ‰«      dk\  rt        ˆfd„|D «       «      s‰‘Œ( }}|r|S |S c c}w c c}w )uB  å‰”é™¤ã€Œå®¹å™¨æ®µã€�ï¼šfind_all(['p','div']) ä¼šå�Œæ—¶æ”¶ä¸‹å®¹å™¨ <div> ä¸Žå®ƒå†…éƒ¨çš„ <p>ï¼Œ
    å¯¼è‡´å�Œä¸€å†…å®¹é‡�å¤�ï¼ˆå®¹å™¨é‚£ä»½å¸¸è¿˜è¢« get_text(strip=True) æ‹�å¹³ï¼‰ã€‚
    åˆ¤æ�®ï¼šæŸ�æ®µè¢«åˆ—è¡¨å†…å�¦ä¸€æ®µå®Œå…¨åŒ…å�« â†’ å®ƒæ˜¯å®¹å™¨æ®µ â†’ å‰”é™¤ã€‚
    ä¿�æŠ¤ï¼šå‰”é™¤å�Žä¸ºç©ºåˆ™åŽŸæ ·è¿”å›žã€‚
    é(   c              3   ó:   •K  — | ]  }|‰uxr |xr |‰v –— Œ y ­w)N© )Ú.0ÚbÚas     €ú$/root/gov_crawler/crawl_lczf_tzgg.pyú	<genexpr>z(_drop_container_parts.<locals>.<genexpr>4   s&   øè ø€ Ò(SÈ¨°!¨Ò)D¸Ò)D¸aÀ1¸fÓ)DÑ(Sùs   ƒ)Ú
isinstanceÚstrÚlenÚsetÚaddÚappendÚany)ÚpartsÚpÚpsÚseenÚuniqr   Úkeeps        ` r   Ú_drop_container_partsr   !   sÇ   ø€ ñ ØˆØÖ	1�œj¨¬CÕ0Š!Ð	1€BÐ	1Ü
ˆ2ƒw”#�e“*ÒØˆô “˜ˆ$€DØò (ˆØ�DŠ=Ø�H‰H�QŒK˜Ÿ™ Q�ð(ð ÷ V�!Ü˜“F˜b’L¤SÓ(SÈdÔ(SÔ%Sò ð V€Dð Váˆ4Ð!˜TÐ!ùò 
2ùòVs   ŠB1 B1Á>+B6c                 ó<   — t        | t        j                  d¬«       y )NT)ÚfileÚflush)ÚprintÚsysÚstderr)Úmsgs    r   Úlogr%   8   s   € Ü	ˆ#”C—J‘J dÖ+ó    c                 ó&  — | dk(  rt         t        z   dz   }nt         t        z   d| dz
  › d�z   }	 t        j                  |t        d¬«      }d|_        t        |j                  d«      }g }|j                  d«      D ]ê  }|j                  dd¬«      }|j                  dd¬«      }|r|sŒ.|j                  dd¬«      }	|	sŒD|	d   j                  «       }
|
r	|
dk(  sd|
v rŒc|
j                  d«      st        t         t        z   |
«      }
|	j                  d¬«      }d}t!        j"                  d|j                  «       «      }|r|j%                  d«      }|j'                  ||
|dœ«       Œì |S # t        $ r}t        d| › d	|› �«       g cY d
}~S d
}~ww xY w)u)   æŠ“åˆ—è¡¨é¡µ, è¿”å›ž [{title, url, date}]é   zindex.shtmlÚindex_z.shtmlé   ©ÚheadersÚtimeoutúutf-8u     [WARN] ç¬¬u   é¡µè¯·æ±‚å¤±è´¥: Núhtml.parserÚliÚspanÚtime©Úclass_r   Útextr   T©Úhrefr7   ú#Ú
javascriptÚhttp©ÚstripÚ ú(20\d{2}-\d{2}-\d{2}))ÚtitleÚurlÚdate)ÚBASEÚLIST_DIRÚrequestsÚgetÚHEADERSÚencodingÚ	Exceptionr%   r   r5   Úfind_allÚfindr<   Ú
startswithr   Úget_textÚreÚsearchÚgroupr   )Úpgr@   ÚrÚeÚsoupÚitemsr0   Útime_elÚp_elr   r7   r?   rA   Údms                 r   Ú
crawl_listrX   <   sŠ  € à	ˆQ‚wÜ”X‰o Ñ-‰ä”X‰o &¨¨A©¨¨fÐ 5Ñ5ˆðÜ�L‰L˜¤g°rÔ:ˆØˆŒ
ô ˜Ÿ™ Ó/€DØ€EØ�m‰m˜DÓ!ò BˆØ—'‘'˜&¨�'Ó0ˆØ�w‰w�s 6ˆwÓ*ˆÙ™dØØ�I‰I�c ˆIÓ%ˆÙØØ�‰y�‰Ó ˆÙ�t˜s’{ l°dÑ&:ØØ�‰˜vÔ&Üœ4¤(™?¨DÓ1ˆDØ—
‘
 �
Ó&ˆØˆÜ�Y‰YÐ/°×1AÑ1AÓ1CÓDˆÙØ—8‘8˜A“;ˆDØ�‰˜u¨T¸4Ñ@ÕAð%Bð& €Løô1 ò Üˆl˜2˜$Ð/°¨sÐ3Ô4Ø�	ûðús   ¯#E* Å*	FÅ3FÆFÆFc                 ó6	  — 	 t        j                  | t        d¬«      }d|_        |j                  }t        |d«      }d	}|j                  d
ddi¬«      }|r$|j                  d«      r|d   j                  «       }|s%|j                  d«      }|r|j                  d¬«      }d	}|j                  d
ddi¬«      }	|	r=|	j                  d«      r,t        j                  d|	d   «      }
|
r|
j                  d«      }d	}|j                  dd¬«      }|s|j                  dd¬«      }|�rKg }t        «       }|j                  dd¬«      D ]ë  }|d   j                  «       }t         j                  |«      s)|j                  d«      dk(  s|j                  d«      dk(  sŒT|j                  d«      xs |}|j#                  d «      st%        t&        |«      }|j                  d!d	«      j                  «       xs |j                  d¬«      xs d"}||vsŒÇ|j)                  |«       |j+                  ||d#œ«       Œí g }|j                  g d$¢d¬%«      D �]M  }|j,                  d&k7  r|j/                  d&«      rŒ%|j,                  d'k(  rYd(}|j                  dgd¬«      D ]=  }|j                  dd	«      j                  «       }||v s|j                  d«      |v sŒ;d} n |rŒ�t1        |«      j                  «       }|sŒ©|j,                  d'k(  r@|j                  d&«      rŒÊ|j                  d'd(¬%«      }|rt1        |«      j                  «       }|j,                  dk(  r&|j/                  d«      r|j                  d'd&g«      s�Œ-|j,                  d)v s�Œ=|j+                  |«       �ŒP t3        |«      }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h1Tr;   ÚPubDater>   r(   ÚdivÚtrs_editor_viewr3   znews-contentr   r6   r7   ÚappendixÚtruezdata-appendixÚOLDSRCr:   r?   u   é™„ä»¶)r[   r@   )r   ra   Útable)Ú	recursiverf   r   F)r   rf   z

ú<[^>]+>ú
c              3   ó:   K  — | ]  }d |d   › d|d   › d�–— Œ y­w)z<p><a href="r@   z">r[   z</a></p>Nr
   )r   Úatts     r   r   z!extract_detail.<locals>.<genexpr>º   s(   è ø€ Ò!lÐY\ L°°U±°¸B¸sÀ6¹{¸mÈ8Ô"TÑ!lùs   ‚)rD   rE   rF   rG   r5   rH   r%   r   rJ   r<   rL   rM   rN   rO   r   rI   Ú	ATTACH_RErK   r   rB   r   r   r[   Úfind_parentr   r   ÚjoinÚsplitÚsub)r@   rQ   ÚhtmlrR   rS   r?   ÚmtÚhrA   ÚmdÚmr^   ÚdcÚattachmentsÚseen_attr   r7   Úabs_urlr[   r   ÚnodeÚhas_attÚhtml_strÚinner_pÚ
uniq_partsÚpartÚpart_strippedÚ	att_linkss                               r   Úextract_detailr‚   `   sK  € 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ÙØ�I‰I�d‹OˆÙØ—J‘J T�JÓ*ˆEà€DØ	�‰�6 &¨)Ð!4ˆÓ	5€BÙ	ˆb�f‰f�YÔÜ�I‰IÐ.°°9±Ó>ˆÙØ—7‘7˜1“:ˆDà€GØ	�‰�5Ð!2ˆÓ	3€BÙØ�Y‰Y�u ^ˆYÓ4ˆÚ	àˆÜ“5ˆØ—‘˜S t�Ó,ò 
	GˆAØ�V‘9—?‘?Ó$ˆDÜ×Ñ Ô%¨¯©¨zÓ):¸fÒ)DÈÏÉÈoÓH^ÐbhÓHhàŸ%™% ›/Ò1¨T�Ø×)Ñ)¨&Ô1Ü%¤d¨GÓ4�GØ—u‘u˜W bÓ)×/Ñ/Ó1ÒW°Q·Z±ZÀd°ZÓ5KÒWÈx�Ø (Ò*Ø—L‘L Ô)Ø×&Ñ&°¸WÑ'EÕFð
	Gð ˆØ—K‘KÒ 5À�KÓFó 	'ˆDà�y‰y˜GÒ#¨×(8Ñ(8¸Ô(AØà�y‰y˜CÒØ�ØŸ™¨ u°4˜Ó8ò �AØŸ™˜f bÓ)×/Ñ/Ó1�AØ˜H‘}¨¯©¨h«¸8Ò(CØ"&˜Ùð	ñ
 ØÜ˜4“y—‘Ó(ˆHÙØà�y‰y˜CÒØ—9‘9˜WÔ%ØØŸ)™) C°5˜)Ó9�ÙÜ" 7›|×1Ñ1Ó3�HØ�y‰y˜EÒ! d×&6Ñ&6°uÔ&=ÀdÇiÁiÐQTÐV]ÐP^ÔF_ÙØ�y‰y˜NÓ*Ø—‘˜XÖ&ð7	'ô8 & eÓ,ˆØ—+‘+˜eÓ$×*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   ‚/Q4 Ñ4	RÑ=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defaulté   )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  [rA   z] r?   é-   rh   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cursorr   Úranger%   rX   r   r   Úfetchoner‚   rM   rp   r<   rN   ÚSITEÚSCRIPTÚGROUPÚ	lastrowidÚcommitÚIntegrityErrorr2   Úsleepr!   )r‹   ÚapÚargsr’   ÚconnÚcÚ	total_newÚ	total_dupÚ
total_skipr   rP   rT   Úitemr?   rA   r^   ÚsummaryÚ	has_tableÚcurÚrids                       r   Úmainr®   ¿   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__rD   r”   rM   r"   r2   Úbs4r   Úurllib.parser   r–   rB   rC   r›   r�   rœ   r“   ÚPER_PAGEÚcompileÚIrl   rF   r   r%   rX   r‚   r®   Ú__name__r
   r&   r   ú<module>r·      s™   ðñ÷ (× 'Ó 'Ý Ý  à€Ø€Ø€Ø€Ø€Ø	€Ø€	Ø€ØˆB�J‰JÐKÈRÏTÉTÓR€	àÐoð€ò
"ò.,ò!òH\ ò~7yðt ˆzÒÙ…Fð r&   