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mZ ddlm	Z	 dZ
dZedz   ZdZd	Zd
ZdZdedz   dœZd„ Zdd„Zd„ Zd„ Zd„ Zedk(  r e«        yy)uç  è€’é˜³å¸‚äººæ°‘æ”¿åºœ â€” å¤�å¡˜é•‡ é€šçŸ¥å…¬å‘Šçˆ¬è™«
URL: http://www.leiyang.gov.cn/xxgk/bmxxgkml/gxzjdbsc/xtz/tzgg/
CMS: å�šå±±ç§‘æŠ€ (boshan) æ”¿åºœé—¨æˆ·ç³»ç»Ÿ(è€�ç‰ˆæ¨¡æ�¿)
åˆ—è¡¨: div.submiInfor > ul > li, 15æ�¡/é¡µ, å…±2é¡µ29æ�¡(2021-03~2026-07)
åˆ†é¡µ: /tzgg/pages/{N}.html (ç¬¬1é¡µ=index.html)
è¯¦æƒ…: /tzgg/{YYYYMMDD}/i{ID}.html
  æ ‡é¢˜: h3.general_title (æ— meta ArticleTitle)
  æ—¥æœŸ: label.dt_time "æ—¶é—´ï¼š2025-07-10 17:26:08"
  æ­£æ–‡: div.general_article#div_content
é    N)ÚBeautifulSoup)Úurljoinz/root/search.dbzhttp://www.leiyang.gov.cnz /xxgk/bmxxgkml/gxzjdbsc/xtz/tzggu   è€’é˜³å¤�å¡˜é•‡-é€šçŸ¥å…¬å‘Šu   æ¹–å�—zcrawl_leiyang_xtz.pyé   z[Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0.0.0 Safari/537.36ú/index.html)z
User-AgentÚRefererc                 ó<   — t        | t        j                  d¬«       y )NT)ÚfileÚflush)ÚprintÚsysÚstderr)Úmsgs    ú&/root/gov_crawler/crawl_leiyang_xtz.pyÚlogr      s   € Ü	ˆ#”C—J‘J dÖ+ó    c                 ó  — t        |«      D ]3  }	 t        j                  | t        d¬«      }d|_        |j
                  c S  y
# t        $ r9}t        d| › d|dz   › d|› d|› �«       t        j                  d	«       Y d }~Œtd }~ww xY w)Né<   )ÚheadersÚtimeoutzutf-8z	  [WARN] u    è¯·æ±‚å¤±è´¥(é   ú/z): r   Ú )
ÚrangeÚrequestsÚgetÚHEADERSÚencodingÚtextÚ	Exceptionr   ÚtimeÚsleep)ÚurlÚretriesÚattemptÚrÚes        r   Úfetchr'   "   s…   € Ü˜“>ò ˆð	Ü—‘˜S¬'¸2Ô>ˆAØ ˆAŒJØ—6‘6ŠMð	ð øô ò 	Ü�)˜C˜5 ¨w°q©y¨k¸¸7¸)À3ÀqÀcÐJÔKÜ�J‰J�q�M‰Mûð	ús   �.AÁ	BÁ/B Â Bc                 óv  — | dk  r
t         dz   }nt         › d| › d�}t        |«      }|sg S t        |d«      }|j                  dd¬«      }|sg S g }|D ]ä  }|j                  d	«      D ]Î  }|j	                  d
«      }|sŒ|j                  dd«      }	|	j                  d«      st        t        |	«      }	|j                  d¬«      }
t        j                  dd|
«      j                  «       }
t        j                  d|j                  «       «      }|r|j                  d«      nd}|j                  |
|	|dœ«       ŒÐ Œæ |S )u)   æŠ“åˆ—è¡¨é¡µ, è¿”å›ž [{title, url, date}]r   r   z/pages/z.htmlúhtml.parserÚdivÚ
submiInfor©Úclass_ÚliÚaÚhrefr   ÚhttpT©Ústripu   ^(?:&middot;|Â·|&nbsp;|\s)+ú(20\d{2}-\d{2}-\d{2}))Útitler"   Údate)ÚLIST_DIRr'   r   Úfind_allÚfindr   Ú
startswithr   ÚBASEÚget_textÚreÚsubr3   ÚsearchÚgroupÚappend)Úpgr"   ÚhtmlÚsoupÚinfosÚitemsÚinfor.   r/   r0   r5   Údmr6   s                r   Ú
crawl_listrI   .   s5  € à	ˆQ‚wÜ˜Ñ&‰ä�
˜' "  UÐ+ˆÜ�‹:€DÙØˆ	Ü˜˜}Ó-€DØ�M‰M˜%¨ˆMÓ5€EÙØˆ	Ø€EØò FˆØ—-‘- Ó%ò 	FˆBØ—‘˜“ˆAÙØØ—5‘5˜ Ó$ˆDØ—?‘? 6Ô*Üœt TÓ*�Ø—J‘J T�JÓ*ˆEä—F‘FÐ9¸2¸uÓE×KÑKÓMˆEä—‘Ð3°R·[±[³]ÓCˆBÙ"$�2—8‘8˜A”;¨"ˆDØ�L‰L 5°¸tÑDÕEñ	FðFð €Lr   c                 ó  ‡‡— t        | «      }|syt        |d«      }d}|j                  dd¬«      }|r|j                  d¬«      }d}|j                  d	d
¬«      }|r7t	        j
                  d|j                  «       «      }|r|j                  d«      }d}|j                  dd¬«      }	|	s|j                  dd¬«      }	|	�rHg }
t        «       Š|	j                  dd¬«      D ]Ž  }|d   }t	        j
                  d|t        j                  «      sŒ.|j                  d«      st        t        |«      }|j                  d¬«      xs d}|‰vsŒj‰j                  |«       |
j                  ||dœ«       Œ� g }|	j                  g d¢d¬«      D �]²  }|j                  dk7  r|j!                  d«      rŒ%|j                  dk(  r|j#                  d«      dv rŒH|j!                  dd¬«      rŒ\|j!                  d¬«      s$|j#                  d«      rd|j#                  d«      v rŒ“|j                  d k(  r+d!„ Št%        ˆˆfd"„|j                  dg«      D «       «      }|rŒÍt'        |«      j)                  «       }|sŒé|j                  d k(  rT|j                  d«      r�Œ|j                  d d#¬«      }|rt'        |«      j)                  «       }|j                  |«       �ŒL|j                  dk(  r7|j!                  d«      r&|j                  d dg«      s|j                  |«       �Œ’|j                  d$v s�Œ¢|j                  |«       �Œµ d%j+                  |«      j)                  «       }g }|j-                  d%«      D ]Q  }|j)                  «       }|sŒt	        j.                  d&d|«      j)                  «       sŒ<||vsŒA|j                  |«       ŒS d%j+                  |«      j)                  «       }|
r$d'j+                  d(„ |
D «       «      }|r|d%z   |z   n|}|||fS ))u   è¿”å›ž (title, date, content))NNNr)   r   Úh3Úgeneral_titler,   Tr2   ÚlabelÚdt_timer4   r   r*   Úgeneral_articleÚdiv_content)Úidr/   )r0   r0   z*\.(pdf|doc|docx|xls|xlsx|zip|rar|wps|txt)$r1   u   é™„ä»¶)Únamer"   )Úpr*   ÚtableÚh1Úh2rK   )Ú	recursiverT   rQ   )ÚxgwdPÚqrcoderX   ÚfilelinkÚclassrS   c                 ó’   — d}| j                   dk(  r| j                  dd«      }|r!|j                  d«      st        t        |«      }|S )Nr   r/   r0   r1   )rR   r   r:   r   r;   )ÚelÚus     r   Ú_att_urlz extract_detail.<locals>._att_url�   sA   € Ø�AØ—w‘w #’~ØŸF™F 6¨2Ó.˜Ù §¡¨fÔ!5Ü#¤D¨!Ó,˜Ø�Hr   c              3   óB   •K  — | ]  } ‰|«      r ‰|«      ‰v –— Œ y ­w)N© )Ú.0r]   r_   Úseen_atts     €€r   ú	<genexpr>z!extract_detail.<locals>.<genexpr>ˆ   s*   øè ø€ ò Dà±h¸r´lñ ˜R“L HÔ,ñDùs   ƒF)rT   rU   rV   rK   z

ú<[^>]+>ú
c              3   ó:   K  — | ]  }d |d   › d|d   › d�–— Œ y­w)z<p><a href="r"   z">rR   z</a></p>Nra   )rb   Úatts     r   rd   z!extract_detail.<locals>.<genexpr>¬   s(   è ø€ Ò!lÐY\ L°°U±°¸B¸sÀ6¹{¸mÈ8Ô"TÑ!lùs   ‚)r'   r   r9   r<   r=   r?   r@   Úsetr8   ÚIr:   r   r;   ÚaddrA   rR   Úfind_parentr   ÚanyÚstrr3   ÚjoinÚsplitr>   )r"   rC   rD   r5   rK   r6   ÚdtÚmÚcontentÚdcÚattachmentsr/   r0   rR   ÚpartsÚnodeÚhas_attÚhtml_strÚinner_pÚ
uniq_partsÚpartÚpart_strippedÚ	att_linksr_   rc   s                          @@r   Úextract_detailr   N   s¾  ù€ ä�‹:€DÙØÜ˜˜}Ó-€Dà€EØ	�‰�4 ˆÓ	0€BÙ	Ø—‘ $�Ó'ˆà€DØ	�‰�7 9ˆÓ	-€BÙ	Ü�I‰IÐ.°·±³Ó>ˆÙØ—7‘7˜1“:ˆDà€GØ	�‰�5Ð!2ˆÓ	3€BÙØ�Y‰Y�u ˆYÓ/ˆÚ	àˆÜ“5ˆØ—‘˜S t�Ó,ò 	DˆAØ�V‘9ˆDÜ�y‰yÐFÈÌbÏdÉdÕSØ—‘ vÔ.Ü"¤4¨Ó.�DØ—z‘z¨�zÓ-Ò9°�Ø˜xÒ'Ø—L‘L Ô&Ø×&Ñ&°¸TÑ'BÕCð	Dð ˆà—K‘KÒ GÐSW�KÓXó (	'ˆDà�y‰y˜GÒ#¨×(8Ñ(8¸Ô(AØØ�y‰y˜EÒ! d§h¡h¨t£nÐ8KÑ&KØØ×Ñ ¨'ÐÔ2ØØ×Ñ zÐÔ2°t·x±xÀÔ7HÈZÐ[_×[cÑ[cÐdkÓ[lÑMlØà�y‰y˜CÒòô ô Dà"Ÿm™m¨S¨EÓ2ôDó D�ñ ØÜ˜4“y—‘Ó(ˆHÙØà�y‰y˜CÒà—9‘9˜WÔ%ÙØŸ)™) C°5˜)Ó9�Ùä" 7›|×1Ñ1Ó3�HØ—‘˜XÖ&Ø—‘˜eÒ#¨×(8Ñ(8¸Ô(?ÈÏ	É	ÐSVÐX_ÐR`ÔHaØ—‘˜XÖ&Ø—‘Ð9Ó9Ø—‘˜XÖ&ðQ(	'ðR —+‘+˜eÓ$×*Ñ*Ó,ˆàˆ
Ø—M‘M &Ó)ò 	1ˆDØ ŸJ™J›LˆMÙ Øä—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�$˜ÐÐr   c                  ó8  — dd l } | j                  «       }|j                  dt        d¬«       |j	                  «       }t        dt        |j                  t        «      «      }t        j                  t        d¬«      }|j                  d«       |j                  «       }|j                  d«       |j                  d	«       dx}x}}t        «       }	t        d|dz   «      D �]þ  }
t!        d
|
› d�«       t#        |
«      }|st!        d«        �nÔt!        dt%        |«      › d�«       |D �]³  }|d   |	v rŒ|	j'                  |d   «       |j                  d|d   f«       |j)                  «       r|dz  }ŒLt!        d|d   › d|d   d d › �«       t+        |d   «      \  }}}|s|d   }|s|d   }|r1t%        t-        j.                  dd|«      j1                  «       «      dk  r"t!        d|rt%        |«      nd› d�«       |dz  }ŒÛt-        j.                  dd|«      d d }t-        j.                  dd|«      j1                  «       }t-        j2                  d|«      rdnd}	 |j                  d||||d   |d   |t4        t6        t8        |df«      }|j:                  }|j                  d ||t4        |f«       |j=                  «        |dz  }tA        jB                  d!«       �Œ¶ �Œ tE        d"|› d#|› d$|› 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  [r6   z] r5   é-   re   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 (?,?,?,?)g      à?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cursorri   r   r   rI   Úlenrk   Úfetchoner   r=   r>   r3   r?   ÚSITEÚSCRIPTÚGROUPÚ	lastrowidÚcommitÚIntegrityErrorr    r!   r   )rˆ   ÚapÚargsr�   ÚconnÚcÚ	total_newÚ	total_dupÚ
total_skipÚseenrB   rF   Úitemr5   r6   rs   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__)é   )Ú__doc__r   r‘   r=   r   r    Úbs4r   Úurllib.parser   r“   r;   r7   r˜   rš   r™   r�   r   r   r'   rI   r   r«   Ú__name__ra   r   r   ú<module>r²      sˆ   ðñ	÷ (× 'Ó 'Ý Ý  à€Ø"€ØÐ4Ñ4€Ø%€Ø€Ø	€Ø€	àoØ˜-Ñ'ñ€ò,ó	òò@` òF7yðt ˆzÒÙ…Fð r   