Ë
    É0€j`)  ã                   óü  — 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Z	e	dz   Z
dZdZdZdZd	Z	 dd
lmZ ej&                  j)                  dd«      Zej&                  j)                  dd«      ZddddœZdZ eej4                  «      D ]k  \  ZZej;                  d«      r	  eej?                  dd«      d   «      ZŒ4edk(  sŒ:edz    e!ej4                  «      k  sŒS	  eej4                  edz      «      ZŒm edk\  rendZ"dZ# ejH                  d ejJ                   ej                  «       e#dz  z
  «      «      Z&d„ Z'd„ Z(d„ Z)d„ Z*d„ Z+d„ Z,e-d k(  r e,«        yy# e$ r dZY �Œ-w xY w# e $ r Y Œæw xY w# e $ r Y Œñw xY w)!uÕ   
è¾½é˜³å¸‚ç”Ÿæ€�çŽ¯å¢ƒå±€ - å»ºè®¾é¡¹ç›®çŽ¯è¯„(æ”¿åŠ¡å…¬å¼€)
API: POST /EWB-FRONT/rest/commonapiaction/getgovinfolist
åˆ—è¡¨: JSON {total, data:[{title, visiturl, infodate}]}
è¯¦æƒ…: /govxxgk/LYHBJ/æ—¥æœŸ/id.html
é    Nzhttp://sthjj.liaoyang.gov.cnz./EWB-FRONT/rest/commonapiaction/getgovinfolistz$0cb867fb-3703-42ee-9c93-83681c4a6f8au+   è¾½é˜³å¸‚ç”Ÿæ€�çŽ¯å¢ƒå±€-å»ºè®¾é¡¹ç›®çŽ¯è¯„u   è¾½å®�zcrawl_liaoyang_sthjj.pyu   çŽ¯è¯„å®¡æ‰¹)ÚBeautifulSoupÚDB_PATHz/root/search.dbÚ
JSONL_PATHÚ zkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z!application/x-www-form-urlencodedzzh-CN,zh;q=0.9)ú
User-AgentzContent-TypezAccept-Languageé   z--pages=ú=z--pagesiG  z%Y-%m-%di€Q c                 ó€   — | sydd l }|j                  | «      } t        j                  dd| «      } | j	                  «       S )Nr   r   z\s+ú )ÚhtmlÚunescapeÚreÚsubÚstrip)ÚtÚhtml_libs     ú)/root/gov_crawler/crawl_liaoyang_sthjj.pyÚclean_titler   3   s9   € ÙØÛØ×Ñ˜!Ó€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 óú  — ddl }ddl}|j                  |j                  j                  «       t
        dddd| dz
  dd	œ}	 |j                  t        d
t        j                  |d¬«      it        dd¬«      }|j                  dk7  ry|j                  «       }|j                  di «      }|j                  dg «      xs g }|j                  dd«      xs d}||fS # t        $ r}	t        d|	z  d¬«       Y d}	~	yd}	~	ww xY w)zPOST getgovinfolist APIr   NÚ007Ú001Ú1r   r   é   )ÚsiteGuidÚcategorynumÚdeptcodeÚgktypeÚdocumentnumberÚ
pageNumberÚpageSizeÚparamsF©Úensure_asciié   )ÚdataÚheadersÚtimeoutÚverifyéÈ   )Nr   Úcustomr&   Útotalz  [API fail] %sT©Úflush)ÚrequestsÚurllib3Údisable_warningsÚ
exceptionsÚInsecureRequestWarningÚ	SITE_GUIDÚpostÚAPI_URLÚjsonÚdumpsÚHEADERSÚstatus_codeÚgetÚ	ExceptionÚprint)
Úpager/   r0   r"   Úrr&   r+   Úitemsr,   Úes
             r   Ú	fetch_apirB   <   sõ   € çØ×Ñ˜W×/Ñ/×FÑFÔGäØØØØØ˜Q‘hØñ€FðØ�M‰Mœ'¨´4·:±:¸fÐSXÔ3YÐ(ZÜ")°2¸eð ó Eˆà�=‰=˜CÒØØ�v‰v‹xˆØ—‘˜( BÓ'ˆØ—
‘
˜6 2Ó&Ò,¨"ˆØ—
‘
˜7 AÓ&Ò+¨!ˆØ�eˆ|ÐøÜò ÜÐ !Ñ#¨4Õ0Üûðús    Á AC ÂAC Ã	C:Ã C5Ã5C:c                 ó.  — dd l }dd l}|j                  |j                  j                  «       	 |j                  | dt        d   idd¬«      }|j                  dk(  rd|_        |j                  S 	 y # t        $ r}t        d|z  d	¬
«       Y d }~y d }~ww xY w)Nr   r   r%   F)r'   r(   r)   r*   úutf-8z  [fetch fail] %sTr-   )r/   r0   r1   r2   r3   r;   r9   r:   ÚencodingÚtextr<   r=   )Úurlr/   r0   r?   rA   s        r   ÚfetchrH   X   s”   € ßØ×Ñ˜W×/Ñ/×FÑFÔGð3Ø�L‰L˜ |´W¸\Ñ5JÐ&KÐUWÐ`eˆLÓfˆØ�=‰=˜CÒØ ˆAŒJØ—6‘6ˆMð  ð
 øô ò 3ÜÐ! AÑ%¨T×2Ñ2Øûð3ús   ¯?A1 Á1	BÁ:BÂBc                 óR	  ‡‡‡‡‡— | sddg fS ddl Š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i Št
        �r6	 t        | d«      }|j                  d	d
¬«      D �]  }|j                  d«      s6t        j                  d|j                  dd«      t        j                  «      sŒK|d   }|j                  d«      xs |}|j                  d
¬«      xs1 t        j                  j                  |j                  d«      d   «      }t        j                  j!                  ‰|«      }‰j#                  ||f«       dt%        ‰«      z  }d|›d|›d�‰|<   |j'                  |«       �Œ
 t)        |«      } ˆˆˆˆfd„}	t        j                  d|	| t        j                  t        j                  z  ¬«      } g Šˆfd„}
t        j                  d| t        j                  «      rdn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 ]È  }|j-                  «       }|sŒt        j                  d"d|«      }‰j/                  |«      }t        j                  d#d|«      }|sŒX‰j1                  «       D ]  \  }}|j3                  ||«      }Œ t5        ‰«      D ]  \  }}|j3                  d$|z  |«      }Œ |j#                  |j-                  «       «       ŒÊ d!j7                  |«      }‰j1                  «       D ]  \  }}|j3                  ||«      }Œ t5        ‰«      D ]  \  }}|j3                  d$|z  |«      }Œ t        j                  d%d|«      }‰j/                  |«      }t        j                  d&d!|«      }|j-                  «       |‰fS # t*        $ r Y �Œ¼w xY w)'u   ä¿�ç•™ HTML è¡¨æ ¼/é™„ä»¶r   r   Nz
<!--.*?-->)Úflagsz<script[^>]*>.*?</script>z<style[^>]*>.*?</style>úhtml.parserÚaT)ÚhrefÚappendixú\.(pdf|docx?|xlsx?|zip|rar|wps)rM   Úoldsrc)r   ú?z__ATTACH__%d__ú	<a href="ú" target="_blank">ú</a>c                 óÈ  •— | j                  d«      }|j                  d«      ry| j                  d«      }t        j                  dd|«      }‰j	                  |«      j                  «       }t        j                  d|t        j                  «      s$d|j                  «       v sd|j                  «       v r†|s5t        j                  j                  |j                  d	«      d
   «      xs d}t        j                  j                  ‰	|«      }‰j!                  ||f«       dt#        ‰«      z  }d|›d|›d�‰|<   |S t        j                  j                  ‰	|«      }d|›d|›d�S )Nr   zjavascript:r   é   ú<[^>]+>rO   ÚdownloadÚ
attachmentrQ   r   u   é™„ä»¶z__LINK__%d__rR   rS   rT   )ÚgroupÚ
startswithr   r   r   r   ÚsearchÚIÚlowerÚosÚpathÚbasenameÚsplitÚurllibÚparseÚurljoinÚappendÚlen)
ÚmrM   ÚinnerÚtxtÚabs_urlÚkeyÚattachmentsr   Úlink_protectÚpage_urls
         €€€€r   Ú
_link_replz html_to_text.<locals>._link_repl€   s5  ø€ Ø�w‰w�q‹zˆØ�?‰?˜=Ô)ØØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆØ×Ñ Ó$×*Ñ*Ó,ˆÜ�9‰9Ð7¸¼r¿t¹tÔDÈ
ÐVZ×V`ÑV`ÓVbÑHbÐfrÐvz÷  wAñ  wAó  wCñ  gCÙÜ—g‘g×&Ñ& t§z¡z°#£°qÑ'9Ó:ÒF¸h�Ü—l‘l×*Ñ*¨8°TÓ:ˆGØ×Ñ ¨˜~Ô.Ø ¤3 |Ó#4Ñ4‰CÚIPÒRUÐ VˆL˜ÑØˆJÜ—,‘,×&Ñ& x°Ó6‰Ú8?ÂÐEÐEr   z&<a\s[^>]*href="([^"]+)"[^>]*>(.*?)</a>c                 óf   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  z  S )Nr   ú__TBL__%d__r   )rf   rZ   rg   )rh   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_repl”   s.   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Ø¤ MÓ 2°QÑ 6Ñ7Ð7r   z<table[^>]*>r   z<table[^>]*>.*?</table>z</p>z</p>

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

rW   z[\s\u200b\u200c\u200d\ufeff]+rr   z*__LINK__\d+__|__TBL__\d+__|__ATTACH__\d+__z\n{3,})r   r   r   ÚSr]   r   Úfind_allr;   r\   Úget_textr_   r`   ra   rb   rc   rd   re   rf   rg   Úreplace_withÚstrr<   r   r   r@   ÚreplaceÚ	enumerateÚjoin)Úcontentro   Ú_souprL   rM   Ú	real_hrefrj   rk   rl   rp   rt   Ú	has_tableÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutrm   r   rn   rs   s    `                   @@@@r   Úhtml_to_textr‹   e   så  ü€ áØ�1�bˆyÐÛÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€GØ€KØ€LÞð	Ü! '¨=Ó9ˆEØ—^‘^ C¨d�^Ó3ó 	(�Ø—5‘5˜Ô$¬¯	©	Ð2TÐVW×V[ÑV[Ð\bÐdfÓVgÔik×imÑimÕ(nØ˜V™9�DØ !§¡ h£Ò 7°4�IØŸ*™*¨4˜*Ó0Ò]´B·G±G×4DÑ4DÀYÇ_Á_ÐUXÓEYÐZ[ÑE\Ó4]�CÜ$Ÿl™l×2Ñ2°8¸YÓG�GØ×&Ñ&¨° ~Ô6Ø*¬S°Ó->Ñ>‘CÚQXÒZ]Ð(^�L Ñ%Ø—N‘N 3Ö'ð	(ô ˜%“jˆG÷Fô" �f‰fÐ>À
ÈGÔ[]×[_Ñ[_Ôbd×bfÑbfÑ[fÔg€Gà€Mô8ô —Y‘Y˜°¼¿¹Ô>‘ÀA€IÜ�f‰fÐ/°¸GÌ2Ï4É4ÔRT×RVÑRVÉ;ÔW€Gä�f‰f�W˜j¨'¼¿¹Ô>€GÜ�f‰f�\ 4¨¼¿¹Ô=€GÜ�f‰fÐ4°b¸'ÌÏÉÔN€Gà€EØ—‘˜vÓ&ò  ˆØ�K‰K‹MˆÙØÜ—‘�z 2 qÓ)ˆØ×!Ñ! %Ó(ˆÜ—‘Ð7¸¸UÓCˆÙØØ ×&Ñ&Ó(ò 	 ‰DˆAˆqØ—	‘	˜!˜Q“‰Að	 ä Ó.ò 	2‰FˆAˆsØ—	‘	˜-¨!Ñ+¨SÓ1‰Að	2à�‰�Q—W‘W“YÕð ð �+‰+�eÓ
€CØ×"Ñ"Ó$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 2‰ˆˆ3Ø�k‰k˜-¨!Ñ+¨SÓ1‰ð2ä
�&‰&Ð>ÀÀCÓ
H€CØ
×
Ñ
˜CÓ
 €CÜ
�&‰&�˜F CÓ
(€CØ�9‰9‹;˜	 ;Ð.Ð.øôq ò 	Úð	ús   Â4A)R ÄCR Ò	R&Ò%R&c                 óÆ  — d}d}d}t         �rPt        | d«      }|j                  d«      }|r"dj                  d„ |j                  D «       «      }|j	                  ddt        j                  dt
        j                  «      i¬«      }|r|j                  d	«      rt        |d	   «      }|j	                  ddt        j                  d
t
        j                  «      i¬«      }|r=|j                  d	«      r,t        j                  d|d	   «      }	|	r|	j                  d«      }|s?|j	                  d«      xs |j	                  d«      }
|
rt        |
j                  «       «      }|||fS )Nr   rK   zOdiv.ewb-content, div.content, div.TRS_Editor, #vsb_content, div.article-contentc              3   ó2   K  — | ]  }t        |«      –— Œ y ­w)N)rz   )Ú.0Úcs     r   ú	<genexpr>zparse_detail.<locals>.<genexpr>¾   s   è ø€ Ò">¨a¤3 q§6Ñ">ùs   ‚ÚmetaÚnameÚArticleTitle)Úattrsr~   ÚPubDatez([0-9]{4}-[0-9]{2}-[0-9]{2})r   Úh1Úh2)r   Ú
select_oner}   ÚcontentsÚfindr   Úcompiler]   r;   r   r\   rZ   rx   )Ú	html_textro   ÚtitleÚdateÚcontent_htmlÚsoupÚdr   ÚmdÚdmr–   s              r   Úparse_detailr¤   ¸   s   € Ø€E�r�¨"˜<ÞÜ˜Y¨Ó6ˆØ�O‰OÐmÓnˆÙØŸ7™7Ñ">°1·:±:Ô">Ó>ˆLØ�I‰I�f V¬R¯Z©Z¸ÌÏÉÓ-MÐ$NˆIÓOˆÙ�—‘�yÔ!Ü  )¡Ó-ˆEØ�Y‰Y�v f¬b¯j©j¸ÄBÇDÁDÓ.IÐ%JˆYÓKˆÙ�"—&‘&˜Ô#Ü—‘Ð:¸B¸y¹MÓJˆBÙØ—x‘x “{�ÙØ—‘˜4“Ò3 D§I¡I¨d£OˆBÙÜ# B§K¡K£MÓ2�Ø�$˜Ð$Ð$r   c                  ó  — t         j                  j                  dt        j                  j	                  t        j                  j                  t        «      «      «       ddlm}  d}d}t        «       }g }g }t        dt        dz   «      D �]5  }t        |«      \  }}|€t        d|z  d¬«        �n|st        d|z  d¬«        �nýt        d|t        |«      |fz  d¬«       |D �]Ø  }	t        |	j!                  d	d
«      «      }
|	j!                  dd
«      }|	j!                  d«      xs |	j!                  d«      xs d
d d }|sŒ_|j#                  d«      s	t$        |z   }||v rŒ~|j'                  |«       |r
|t(        k  rŒ›t+        |«      }|s|dz  }Œ®t-        ||«      \  }}}|s|
}|s|}|r|t(        k  r|dz  }Œ×t/        ||«      \  }}}t        t1        j2                  dd
|«      j5                  «       «      }|dk  rt        d|d d z  d¬«       |dz  }�Œ4t6        ||||d
|t8        d
t:        |rdj=                  d„ |D «       «      nd
dœ}t>        r)|jA                  |«       t        d|d d ›d|›d�d¬«       n(|jA                  |«       t        d|d d ›d|›d�d¬«       |dz  }tC        jD                  d«       �ŒÛ �Œ8 t>        rltG        t>        dd¬«      5 }|D ]+  }|jI                  tK        jL                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t>        t        |«      fz  d¬«       n | |tN        ¬"«       t        d#|z  d¬«       t        d$|z  d¬«       t        d%t6        z  d¬«       y # 1 sw Y   ŒlxY w)&Nr   )Úpush_to_searchdbr   zPage %d API failedTr-   zPage %d: empty, stopzPage %d: %d items (total=%d)r�   r   ÚvisiturlÚinfodateÚ	handsdateé
   ÚhttprW   z  skip empty: %sé(   z; c              3   ó0   K  — | ]  \  }}|›d |›�–— Œ y­w)ú|N© )rŽ   Úur   s      r   r�   zmain.<locals>.<genexpr>  s   è ø€ Ò(K¹d¸aÀ²A±qÔ)9Ñ(Kùs   ‚)Ú	site_nameÚ
source_urlrG   r�   Úpub_dateÚsummaryr~   ÚcategoryÚtagsÚ
group_namerm   z
  JSONL + z (ú)z  + gš™™™™™©?ÚwrD   )rE   Fr#   ru   zJSONL written: %s (%d rows))Úbatch_labelu
   æ–°å¢ž: %du
   è·³è¿‡: %dz=== %s done ===)(Úsysr`   Úinsertr_   ÚdirnameÚabspathÚ__file__Úcrawler_libr¦   ÚsetÚrangeÚ_PAGESrB   r=   rg   r   r;   r[   ÚBASE_URLÚaddÚ_CUTOFF_DATErH   r¤   r‹   r   r   r   Ú	SITE_NAMEÚCATEGORYÚ
GROUP_NAMEr}   r   rf   ÚtimeÚsleepÚopenÚwriter7   r8   ÚSCRIPT_NAME)r¦   Ú	new_countÚ
skip_countÚ	seen_urlsÚbatchÚ
jsonl_rowsr>   r@   r,   Úitr�   rG   rž   ÚdhtmlÚdtitleÚddaterŸ   r~   r�   ÚattsÚ	plain_lenÚitemÚfÚrows                           r   ÚmainrÝ   Î   sH  € Ü‡H�H‡O�O�A”r—w‘w—‘¤r§w¡w§¡´xÓ'@ÓAÔBÝ,Ø€IØ€JÜ“€IØ€EØ€Jä�aœ !™Ó$ó 6ˆÜ  “‰ˆˆuØˆ=ÜÐ&¨Ñ-°TÕ:ÚÙÜÐ(¨4Ñ/°tÕ<ÚÜÐ,°´c¸%³jÀ%Ð/HÑHÐPTÕUØó -	ˆBÜ §¡ w°Ó 3Ó4ˆEØ—&‘&˜ RÓ(ˆCØ—F‘F˜:Ó&ÒC¨"¯&©&°Ó*=ÒCÀÀSÀbÐIˆDÙØØ—>‘> &Ô)Ü ‘n�Ø�iÑØØ�M‰M˜#ÔÙ˜œ|Ò+ØÜ˜#“JˆEÙØ˜a‘�
ØÜ*6°u¸cÓ*BÑ'ˆF�E˜<ÙØ�ÙØ�Ù˜¤Ò-Ø˜a‘�
ØÜ'3°LÀ#Ó'FÑ$ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIØ˜2Š~ÜÐ(¨6°#°2¨;Ñ6¸dÕCØ˜a‘�
Ùä&°cÀ#Ø¨U¸rØ"´À"Ü(ÙOS˜tŸy™yÑ(KÀdÔ(KÔKÐY[ñˆDõ Ø×!Ñ! $Ô'Ý¨V°C°Rª[º%Ð@ÈÖMà—‘˜TÔ"Ý v¨c¨r¢{²EÐ:À$ÕGØ˜‰NˆIÜ�J‰J�tÖò[-	ð6õp Ü”*˜c¨GÔ4ð 	D¸Ø!ò D�Ø—‘œŸ
™
 3°UÔ;¸dÑBÕCñD÷	Dô 	Ð+¬z¼3¸z»?Ð.KÑKÐSWÖXá˜¬KÕ8ä	ˆ,˜Ñ
"¨$Õ/Ü	ˆ,˜Ñ
#¨4Õ0Ü	Ð
œiÑ
'¨tÖ4÷	Dð 	Dús   Ë1M8Í8NÚ__main__).Ú__doc__r»   r_   r   rÊ   r7   Úurllib.parserc   Úsqlite3rÄ   r6   r4   rÇ   rÉ   rÎ   rÈ   Úbs4r   ÚImportErrorÚenvironr;   r   r   r9   Ú
_MAX_PAGESr|   Úargvrˆ   rL   r[   Úintrb   Ú
ValueErrorrg   rÃ   Ú_DAYS_CUTOFFÚstrftimeÚ	localtimerÆ   r   rB   rH   r‹   r¤   rÝ   Ú__name__r¯   r   r   ú<module>rí      sÂ  ðñ÷ 6× 5× 5Ó 5à)€Ø
ÐEÑ
E€Ø2€	Ø9€	Ø€
Ø'€Ø€ðÝ!ð �*‰*�.‰.˜Ð$5Ó
6€Ø�Z‰Z�^‰^˜L¨"Ó-€
ð @Ø7Ø'ñ€ð €
Ù�c—h‘hÓò 
�D€A€qØ‡|�|�JÔð	Ù˜QŸW™W S¨!›_¨QÑ/Ó0‰Jð 
ˆi‹˜A ™E¡C¨¯©£MÓ1ð	Ù˜SŸX™X a¨!¡e™_Ó-‰Jð
ð " Q’‰¨A€à€Øˆt�}‰}˜Z¨¨¯©¸	¸¿	¹	»ÀlÐUZÑFZÑ8ZÓ)[Ó\€òòò8
òP/òf%ò,K5ð\ ˆzÒÙ…Fð øðO ò ØƒMðûð" ò 	Ùð	ûð
 ò 	Ùð	ús5   ±E Â!E(ÃE3ÅE%Å$E%Å(E0Å/E0Å3E;Å:E;