Ë
    ¸¬ujÏ'  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dZdZdZd	Zd
ddddœZdZ eej*                  «      D ]k  \  ZZej1                  d«      r	  eej5                  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„ Zd„ Z dd„Z!d„ Z"d„ Z#e$dk(  r e#«        yy# e$ r dZ
Y ŒÇw xY w# e$ r Y Œ«w xY w# e$ r Y Œ¶w xY w)u3  
è�”å�ˆèµ¤é�“çŽ¯å¢ƒè¯„ä»·è‚¡ä»½æœ‰é™�å…¬å�¸ - é¡¹ç›®å…¬ç¤º (www.lheia.com/projectPublicity.html)
CMS: è‡ªç ” Java (Spring Boot + Vue, lheiaows.lheia.com/prod-api)
åˆ—è¡¨: POST https://lheiaows.lheia.com/prod-api/project/pub/ocw/list?pageNum=N&pageSize=50
      body {} å�³å�¯. è¿”å›ž data.list[]: projectName / projectInfo(HTMLå…¨æ–‡) / pubTime / fileList(é™„ä»¶)
      50æ�¡/é¡µ, å…±311æ�¡/7é¡µ
è¯¦æƒ…: åˆ—è¡¨å�³å…¨æ–‡ (projectInfo) â€” æ— éœ€è¯¦æƒ…é¡µ; è¯¦æƒ…é¡µ project_details.html?id= å¤‡ç”¨
é™„ä»¶: fileList[].path â†’ http://fileIp/path (ç›´æŽ¥IP, å¤–é“¾)
é    N)ÚBeautifulSoupz8https://lheiaows.lheia.com/prod-api/project/pub/ocw/listz0https://www.lheia.com/project_details.html?id={}u%   è�”å�ˆèµ¤é�“çŽ¯å¢ƒè¯„ä»·-é¡¹ç›®å…¬ç¤ºu   ä¼�ä¸šzcrawl_lheia_pub.pyz/mnt/data/search.dbzkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z.application/json, text/javascript, */*; q=0.01zzh-CN,zh;q=0.9zapplication/json)z
User-AgentÚAcceptzAccept-LanguagezContent-Typeé   z--pages=ú=z--pagesé2   c                 ó  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } | j                  «       S )NÚ u   â€‹u   â€Œu   â€�u   ï»¿ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    ú$/root/gov_crawler/crawl_lheia_pub.pyÚclean_titler   9   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                 óÐ  — dd l }| j                  t        › d|› dt        › �dt        d¬«      }|j
                  dk7  r(t        d|j
                  › d	|j                  d d › �«      ‚|j                  «       j                  d
i «      }|j                  d«      xs d}g }|j                  dg «      D �]’  }t        |j                  dd«      «      }|j                  d«      xs dj                  «       }	t        j                  d|	«      }
|
r|
j                  d«      nd}|j                  d«      xs d}t        |j                  dd«      «      }|rt         j#                  |«      nd}|j                  d«      xs g }g }|D ]£  }t%        |t&        «      sŒ|j                  d«      xs d}|j                  d«      xs d}|j                  d«      xs2 |j                  d«      xs t(        j*                  j-                  |«      }|sŒ†|rd|› |› �n|}|j/                  ||f«       Œ¥ |s�Œy|s�Œ}|j/                  |||||f«       �Œ• 	 t1        |«      }||fS # t2        $ r d}Y ||fS w xY w)Nr   z	?pageNum=z
&pageSize=z{}é   )ÚdataÚheadersÚtimeoutéÈ   z	API HTTP z: r   ÚtotalÚlistÚprojectNamer	   ÚpubTimez(\d{4})-(\d{2})-(\d{2})ÚprojectInfoÚidÚfileListÚpathÚfileIpÚ
uploadNameÚsaveNamezhttp://)ÚrequestsÚpostÚAPI_URLÚ	PAGE_SIZEÚHEADERSÚstatus_codeÚRuntimeErrorÚtextÚjsonÚgetr   r   r   ÚmatchÚgroupÚstrÚDETAIL_TMPLÚformatÚ
isinstanceÚdictÚosr#   ÚbasenameÚappendÚintÚ	Exception)ÚsessionÚpager'   Úrr   r   ÚitemsÚitÚtitleÚpubÚdmÚdateÚcontent_htmlÚpidÚ
detail_urlÚ	file_listÚattachmentsÚfÚfpathÚfipÚfnameÚurls                         r   Ú
fetch_listrP   B   sG  € ÛØ�‰œ�y 	¨$¨¨z¼)¸ÐEØ¬¸ð 	ó 	=€Aà‡}�}˜ÒÜ˜Y q§}¡} o°R¸¿¹¸tÀ¸°~ÐFÓGÐGØ�6‰6‹8�<‰<˜ Ó#€DØ�H‰H�WÓÒ" €EØ€EØ�h‰h�v˜rÓ"ó OˆÜ˜BŸF™F =°"Ó5Ó6ˆØ�v‰v�iÓ Ò& B×-Ñ-Ó/ˆÜ�X‰XÐ0°#Ó6ˆÙ ˆr�x‰x˜Œ{ bˆØ—v‘v˜mÓ,Ò2°ˆÜ�"—&‘&˜˜rÓ"Ó#ˆÙ03”[×'Ñ'¨Ô,¸ˆ
à—F‘F˜:Ó&Ò,¨"ˆ	ØˆØò 	1ˆAÜ˜a¤Ô&ØØ—E‘E˜&“MÒ' RˆEØ—%‘%˜“/Ò' RˆCØ—E‘E˜,Ó'ÒW¨1¯5©5°Ó+<ÒWÄÇÁ×@PÑ@PÐQVÓ@WˆEÚÙ03˜ ˜u U GÑ,¸�Ø×"Ñ" C¨ <Õ0ð	1ó “ZØ�L‰L˜* e¨T°<ÀÐMÖNð+Oð,Ü�E“
ˆð �%ˆ<Ðøô ò Ø‰Ø�%ˆ<Ððús   ÉI ÉI%É$I%c           
      óî	  ‡‡— | sddg fS t        j                  dd| t         j                  ¬«      } t        j                  dd| t         j                  t         j                  z  ¬«      } t        j                  dd| t         j                  t         j                  z  ¬«      } t        rQ	 t	        | d«      }|j                  d«      D ]%  }d	D ]  }|j                  j                  |d «       Œ  Œ' t        |«      } | }t        j                  d
d|t         j                  ¬«      }i Šˆfd„}t        j                  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}	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                  «       }|xs g D ]  \  }}|sŒ	|d$|› d%|› d&�z  }Œ ||	|fS # t        $ r Y �Œûw xY w)'Nr	   r   z
<!--.*?-->)Úflagsz<script[^>]*>.*?</script>z<style[^>]*>.*?</style>zhtml.parserT)ÚstyleÚclassÚlangÚdirÚalignÚvalignÚwidthÚheightÚborderÚcellpaddingÚcellspacingz;<img[^>]*src="[^"]*fileTypeImages/icon_[a-z]+\.gif"[^>]*/?>c                 ó  •— | j                  d«      }| j                  d«      }t        j                  dd|«      }t        j                  |«      j                  «       }t        j                  dd|«      j                  «       }|s5t        j                  j                  |j                  d«      d   «      xs d}|j                  d	«      r|n|j                  d
«      rd|› �n|}dt        ‰«      › d�}d|› d|› d�‰|<   |S )Nr   é   ú<[^>]+>r	   u   ^é™„ä»¶[:ï¼š]\s*ú?r   u   é™„ä»¶Úhttpú/zhttp://60.29.58.150Ú__LINK__Ú__z	<a href="ú" target="_blank">z</a>)r2   r   r   r   r   r   r8   r#   r9   ÚsplitÚ
startswithÚlen)ÚmÚhrefÚinnerÚtxtÚabs_urlÚkeyÚlink_protects         €r   Ú
_link_replz html_to_text.<locals>._link_repl~   sì   ø€ Ø�w‰w�q‹zˆØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*Ñ*Ó,ˆÜ�f‰fÐ(¨"¨cÓ2×8Ñ8Ó:ˆÙÜ—'‘'×"Ñ" 4§:¡:¨c£?°1Ñ#5Ó6ÒB¸(ˆCØŸ/™/¨&Ô1‘$ÐW[×WfÑWfÐgjÔWkÐ9LÈTÈFÑ7SÐquˆØœ˜\Ó*Ð+¨2Ð.ˆØ'¨ yÐ0BÀ3À%ÀtÐLˆ�SÑØˆ
r   z&<a\s[^>]*href="([^"]+)"[^>]*>(.*?)</a>c                 óh   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  › d�S )Nr   Ú__TBL__r   re   )r:   r2   ri   )rj   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_repl�   s3   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Øœ˜]Ó+¨AÑ-Ð.¨bÐ1Ð1r   z<table[^>]*>.*?</table>z<table[^>]*>r   z</p>z</p>

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

r`   õ   Â r   z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+rs   re   z__LINK__\d+__z__TBL__\d+__z[ \t]+\nz\n{3,}z	[ \t]{2,}r
   z

<p><a href="rf   z	</a></p>
)r   r   ÚSÚIr   Úfind_allÚattrsÚpopr3   r<   Úsearchrg   r   r   r   r   r@   Ú	enumerater:   ÚjoinÚsetÚadd)ÚcontentÚpage_urlrJ   Ú_soupÚtagÚattrÚcontent2rq   ru   Ú	has_tableÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutÚseenÚfinalÚpro   rO   Únamerp   rt   s                            @@r   Úhtml_to_textr–   h   sb  ù€ ÙØ�1�bˆyÐÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€GÝð	Ü! '¨=Ó9ˆEØ—~‘~ dÓ+ò .�ð Lò .�DØ—I‘I—M‘M $¨Õ-ñ.ð.ô ˜%“jˆGð €HÜ�v‰vØFÈÈHÜ�d‰dô€Hð €Lôô �v‰vÐ?ÀÈXÔ]_×]aÑ]aÔdf×dhÑdhÑ]hÔi€Hà€Mô2ô �v‰vÐ0°)¸XÌRÏTÉTÔTV×TXÑTXÉ[ÔY€HÜ—Y‘Y˜°¼¿¹Ô>‘ÀA€Iä�v‰v�g˜z¨8¼2¿4¹4Ô@€HÜ�v‰v�l D¨(¼"¿$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
(€Cä‹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
$€Cð "Ò' Rò N‰	ˆˆTÚØÐ% c UÐ*<¸T¸FÀ*ÐMÑM‰CðNð �	˜;Ð&Ð&øôe ò 	Úð	ús   Â(AS' Ó'	S4Ó3S4c                 ó”  — | j                  d|f«      }|j                  «       ry	 d}	 ddlm}  ||«      }| j                  d|||||t
        t        t        ||f
«      }|j                  dkD  ryt        j                  dd|«      }	t        j                  |	«      }	t        j                  d	d
|	«      j                  «       d d }	| j                  d|j                  |t
        |	f«       yy# t        $ r Y Œ¼w xY w# t        j                   $ r=}
dt#        |
«      v r*t%        j&                  d«       t)        | |||||«      cY d }
~
S ‚ d }
~
ww xY w)Nz'SELECT id FROM gov_raw WHERE page_url=?FÚotherr   )Úclassify_industryz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)r`   r	   r
   r   r   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedé   )ÚexecuteÚfetchoneÚcrawler_libr™   r<   Ú	SITE_NAMEÚ
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr   r   r   r   r   Ú	lastrowidÚsqlite3ÚOperationalErrorr3   ÚtimeÚsleepÚstore_record)ÚconnrO   rB   r‚   rE   rˆ   ÚcurÚindustryr™   ÚsummaryÚes              r   r¨   r¨   Ê   sA  € Ø
�,‰,Ð@À3À&Ó
I€CØ
‡|�|„~ØðØˆð	Ý5Ù(¨Ó/ˆHð �l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\dÐeó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð Øøô# ò 	Ùð	ûô$ ×#Ñ#ò Ø”s˜1“vÑÜ�J‰J�qŒMÜ  c¨5°'¸4ÀÓKÕKØûð	úsF   ¦C7 ©C( ·B/C7 Ã(	C4Ã1C7 Ã3C4Ã4C7 Ã7EÄ
1EÄ;EÅEÅEc            
      óp  — dd l } | j                  «       }|j                  j                  t        «       t        j                  t        d¬«      }|j                  d«       |j                  d«       d}d}t        «       }t        dt        dz   «      D �]"  }	 t        ||«      \  }}t        d|› dt        |«      › d|› d�d	¬
«       |st        dd	¬
«        ná|D ]Ä  \  }
}}}}|
|v rŒ|j!                  |
«       t#        ||
|«      \  }}}t        t%        j&                  dd|«      j)                  «       «      }|dk  rt        d|d d › �d	¬
«       |dz  }Œ|t+        ||
||||«      }|r|dz  }t        d|d d › d|› d�d	¬
«       n|dz  }t-        j.                  d«       ŒÆ t-        j.                  d«       �Œ% |j1                  «        |j3                  «        t        d|› �d	¬
«       t        d|› �d	¬
«       t        dt4        › d�d	¬
«       y # t        $ r}	t        d|› d|	› �d	¬
«       Y d }	~	 Œxd }	~	ww xY w)Nr   é<   )r   zPRAGMA busy_timeout=60000zPRAGMA journal_mode=WALr   zPage z fetch error: T)Úflushz: found z items (total=ú)zEmpty page, stop paginationr`   r	   é
   z  skip empty: r   z  + é(   z (g333333Ã?g333333Ó?u   æ–°å¢ž: u   è·³è¿‡: z=== z	 done ===)r'   ÚSessionr   Úupdater+   r¤   ÚconnectÚDB_PATHrœ   r€   ÚrangeÚ_PAGESrP   r<   Úprintri   r�   r–   r   r   r   r¨   r¦   r§   ÚcommitÚcloserŸ   )r'   Úsr©   Ú	new_countÚ
skip_countÚ	seen_urlsr>   r@   r   r­   rn   rB   rE   rF   rJ   r‚   rˆ   Ú_Ú	plain_lenÚoks                       r   ÚmainrÄ   ì   s+  € ÛØ×ÑÓ€AØ‡I�I×Ñ”WÔÜ�?‰?œ7¨BÔ/€DØ‡L�LÐ,Ô-Ø‡L�LÐ*Ô+à€IØ€JÜ“€Iä�aœ !™Ó$ó ˆð	Ü% a¨Ó.‰LˆE�5ô 	��d�V˜8¤C¨£J <¨~¸e¸WÀAÐFÈdÕSÙÜÐ/°tÕ<ÙØ?Dò 	Ñ;ˆG�U˜D ,°Ø˜)Ñ#ØØ�M‰M˜'Ô"Ü$0°¸wÈÓ$TÑ!ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIØ˜2Š~Ü˜ u¨S¨b z lÐ3¸4Õ@Ø˜a‘�
ØÜ˜d G¨U°G¸TÀ9ÓMˆBÙØ˜Q‘�	Ü˜˜U 3 B˜Z˜L¨¨4¨&°Ð2¸$Ö?à˜a‘�
Ü�J‰J�tÕð!	ô" 	�
‰
�3Žð7ð: 	‡K�K„MØ‡J�J„LÜ	ˆH�Y�KÐ
 ¨Õ-Ü	ˆH�Z�LÐ
!¨Õ.Ü	ˆD”�˜9Ð
%¨TÖ2øô= ò 	Ü�E˜$˜˜~¨a¨SÐ1¸Õ>Ýûð	ús   ÂHÈ	H5ÈH0È0H5Ú__main__)N)%Ú__doc__Úsysr8   r   r¦   Úhtmlr   r/   r¤   Úbs4r   ÚImportErrorr)   r4   rŸ   r    r¡   r·   r+   Ú
_MAX_PAGESr~   Úargvr�   Úarh   r;   rg   Ú
ValueErrorri   r¹   r*   r   rP   r–   r¨   rÄ   Ú__name__© r   r   ú<module>rÑ      sg  ðñó Û 	Û 	Û Û Û Û ðÝ!ð
 E€Ø@€Ø3€	Ø€
Ø"€Ø
€ð @Ø>Ø'Ø&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€Ø€	òò#óL_'òDòD-3ð` ˆzÒÙ…Fð øðM ò Ø‚Mðûð. ò 	Ùð	ûð
 ò 	Ùð	ús5    C$ Á%C1Â!C<Ã$C.Ã-C.Ã1C9Ã8C9Ã<DÄD