Ë
    $ñ£jJB  ã                   ó  — d Z ddlZddlZddlZddlZddlZddlZddlZ	ddl
m
Z
mZ 	 ddlmZ ej                  j!                  dd«      ZdZdZd	Zd
ZdZdZdZdZ ej4                  dej6                  «      Z e
j:                  «        ed¬«      z
  j=                  d«      ZddddœZ dZ! e"ejF                  «      D ]k  \  Z$Z%e%jM                  d«      r	  e'e%jQ                  dd«      d   «      Z!Œ4e%dk(  sŒ:e$dz    e*ejF                  «      k  sŒS	  e'ejF                  e$dz      «      Z!Œm e!dk\  re!ndZ+d„ Z,d&d„Z-d„ Z.d„ Z/ ej4                  d «      Z0d!„ Z1d"„ Z2d#„ Z3d$„ Z4e5d%k(  r e4«        yy# e$ r dZY �ŒGw xY w# e)$ r Y ŒÅw xY w# e)$ r Y ŒÐw xY w)'uê  
crawl_qdn_spqgs.py - é»”ä¸œå�—å·žç”Ÿæ€�çŽ¯å¢ƒå±€ å®¡æ‰¹å‰�å…¬ç¤º
https://sthj.qdn.gov.cn/xxgk_0/fdzdgknr/xzsp_5819700/spqgs_5819703/
CMS: TRS / createPageHTML é�™æ€�åˆ†é¡µ
  åˆ—è¡¨: index.html / index_1.html â€¦ (15 æ�¡/é¡µ)
        createPageHTML(67, 0, "index", "html", 1996) â†’ 67 é¡µ / 1996 æ�¡
  æ�¡ç›®: <li><a TARGET="_blank" href="http://â€¦/spqgs_5819703/YYYYMM/tâ€¦html"
              title="å®Œæ•´æ ‡é¢˜">æ ‡é¢˜</a><b>YYYY-MM-DD</b></li>
        âš ï¸� åˆ—è¡¨å�«ä¾§æ �å¯¼èˆªï¼ˆç”Ÿæ€�çŽ¯å¢ƒä¿�æŠ¤ç�£å¯Ÿç­‰ï¼‰â†’ æŒ‰ URL è·¯å¾„ /spqgs_5819703/ è¿‡æ»¤
  è¯¦æƒ…: meta ArticleTitle / PubDate
        æ­£æ–‡: div.scroll_cont > div.trs_editor_view.TRS_UEDITOR
        é™„ä»¶: ç›¸å¯¹è·¯å¾„ ./P0202â€¦doc â†’ urljoin ç»�å¯¹åŒ–ï¼Œå†…åµŒ <p><a>
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoupÚ
JSONL_PATHÚ úutf-8u+   é»”ä¸œå�—å·žç”Ÿæ€�çŽ¯å¢ƒå±€-å®¡æ‰¹å‰�å…¬ç¤ºu   è´µå·žzcrawl_qdn_spqgs.pyu   å®¡æ‰¹å‰�å…¬ç¤ºzhttps://sthj.qdn.gov.cnzChttps://sthj.qdn.gov.cn/xxgk_0/fdzdgknr/xzsp_5819700/spqgs_5819703/z/spqgs_5819703/zt\d+_\d+\.htmliG  )Údaysz%Y-%m-%dzkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9)z
User-AgentÚAcceptzAccept-Languageé   z--pages=ú=é   z--pagesc                 ó`  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } t        j                  dd| «      } t        j                  dd	| «      } | j                  «       S )
Nr   u   â€‹u   â€Œu   â€�u   ï»¿u3   ^\s*(?:&middot;|Â·|\u00b7)?\s*(?:&nbsp;|\u00a0)?\s*u   ^[â€¢Â·]\s*ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    úcrawl_qdn_spqgs.pyÚclean_titler   <   s”   € ÙØÜ×Ñ˜!Ó€AØ	�	‰	�(˜BÓ×'Ñ'¨°"Ó5×=Ñ=¸hÈÓK×SÑSÐT\Ð^`Óa€AÜ
�‰ÐEÀrÈ1ÓM€AÜ
�‰ˆ~˜r 1Ó%€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 óØ  — t        t        «      }d }t        d«      D ]‘  }	 dd l}dd l}|j                  |j                  j                  «       |j                  | ||d¬«      }|j                  dk(  rt        |_        |j                  c S d|j                  z  }t        j                   d«       Œ“ t#        d	| d d
 ›d|›�d¬«       y # t        $ r}t        |«      d d }Y d }~ŒJd }~ww xY w)Né   r   F)ÚheadersÚtimeoutÚverifyéÈ   zHTTP %séP   é   z  [fetch fail] éZ   z -> T©Úflush)ÚdictÚHEADERSÚrangeÚrequestsÚurllib3Údisable_warningsÚ
exceptionsÚInsecureRequestWarningÚgetÚstatus_codeÚENCÚencodingÚtextÚ	ExceptionÚstrÚtimeÚsleepÚprint)	Úurlr   ÚhÚlast_errÚattemptr)   r*   ÚrÚes	            r   Úfetchr>   G   sÍ   € ÜŒW‹€AØ€HÜ˜“8ò ˆð		#ß$Ø×$Ñ$ W×%7Ñ%7×%NÑ%NÔOØ—‘˜S¨!°WÀU�ÓKˆAØ�}‰} Ò#Ü �”
Ø—v‘v’Ø  1§=¡=Ñ0ˆHô 	�
‰
�1�ðõ 
 s¨3¨B¢x±Ð
:À$ÕGØøô	 ò 	#Ü˜1“v˜c˜r�{�Hûð	#ús   ¡A'CÂCÃ	C)ÃC$Ã$C)c           
      ó.  ‡‡&‡'‡(— | sddg fS t        j                  dd| t         j                  ¬«      } 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        j                  dd| «      } t        �rŒ	 t	        | d	«      }|j                  d
d¬«      D �]›  }|d   }|j                  d«      s;|j                  d«      s*t        j                  d|t         j                  «      sd|v sŒU|xs dj                  «       }|j                  d«      xs |j                  d«      xs dj                  «       }|r(t        j                  d|t         j                  «      s|}n|xs |}|j                  d¬«      xs[ |j                  d«      xsH |j                  d«      xs5 t        j                  j                  |j                  d«      d   «      xs d}t        j                   j#                  ‰|«      }	‰&j%                  |	|f«       dt'        ‰'«      z  }
d|	›d|›d�‰'|
<   |j)                  |
«       �Œž |j                  d«      D ]`  }|j                  d«      xs |j                  d«      xs d}t        j                  d |t         j                  «      sŒQ|j+                  «        Œb |j                  d!«      D �]@  }|j                  d«      }|sŒ|j                  d¬«      rŒ+g }|D ]Ò  }|j                  d«      xs |j                  d«      xs d}|sŒ.t        j                   j#                  ‰|«      }	|j                  d"«      xs |j                  d«      xs dj                  «       xs5 t        j                  j                  |j                  d«      d   «      xs d#}|j%                  d|	›d|›d�«       ŒÔ |s�Œd$t'        ‰'«      z  }
d%d&j-                  |«      z   d'z   ‰'|
<   |j)                  |
«       �ŒC |j                  d«      D ]å  }|j                  d«      xs |j                  d«      xs d}|sŒ.t        j                   j#                  ‰|«      }	|j                  d"«      xs |j                  d«      xs dj                  «       xs5 t        j                  j                  |j                  d«      d   «      xs d#}d$t'        ‰'«      z  }
d(|	›d|›d)�‰'|
<   |j)                  |
«       Œç t/        |«      } ˆ&ˆ'ˆfd*„}t        j                  d+|| t         j                  t         j                  z  ¬«      } t        rÍ	 t	        | d	«      }|j                  d«      D ]%  }d,D ]  }|j2                  j5                  |d-«       Œ  Œ' |j                  d.«      D ]h  }|j                  d¬«      sD|j7                  d/«      s3|j7                  d«      s"|j7                  d
«      s|j+                  «        ŒY|j9                  «        Œj t/        |«      } g Š(ˆ(fd0„}t        j                  d1| t         j                  «      rd2nd}d-}|| k7  r@| }t        j                  d3|| t         j                  t         j                  z  ¬«      } || k7  rŒ@t        j                  d'd4| t         j                  ¬«      } t        j                  d5d6| t         j                  ¬«      } t        j                  d7d| t         j                  ¬«      } g }| j                  d8«      D �]¼  }|j                  «       }|sŒt        j                  d9d|«      }t        j                  d:d|«      }|j;                  d;d«      j;                  d<d=«      }t        j                  d>d=|«      }t        j                  d?d|«      }t=        j>                  |«      }|j;                  d@d=«      j;                  dAd=«      }t        j                  dBd|«      }|sŒæt        j                  dC|«      rŒý‰'jA                  «       D ]  \  }}|j;                  ||«      }Œ tC        ‰(«      D ]  \  }}|j;                  dD|z  |«      }Œ t        j                  dE|t         j                  «      s*t        j                  dF|t         j                  «      rdG|z  }|j%                  |j                  «       «       �Œ¿ d8j-                  |«      }‰'jA                  «       D ]  \  }}|j;                  ||«      }Œ tC        ‰(«      D ]  \  }}|j;                  dD|z  |«      }Œ t        j                  dHd|«      }t=        j>                  |«      }t        j                  dId6|«      }t        j                  dJd8|«      }t        j                  d>d=|«      }tE        «       g }!} |j                  d8«      D ]W  }t        j                  dKdt        j                  d?d|«      «      }
|
r|
| v rŒ6| jG                  |
«       |!j%                  |«       ŒY d8j-                  |!«      j                  «       }g tE        «       }#}"‰&D ].  \  }$}%|$|#v rŒ|#jG                  |$«       |"j%                  |$|%f«       Œ0 |||"fS # t0        $ r Y �Œ‹w xY w# t0        $ r Y �Œ‰w xY w)LuR   æ­£æ–‡ HTML æ¸…æ´—ï¼šä¿�ç•™ <p>/<table>ï¼Œé™„ä»¶è½¬ <p><a>ç»�å¯¹URL</a></p> æ®µè�½r   r   z
<!--.*?-->)Úflagsz<meta[^>]*>z<script[^>]*>.*?</script>z<style[^>]*>.*?</style>u   ã€�å­—å�·ï¼š[^ã€‘]*ã€‘úhtml.parserÚaT)ÚhrefrC   Úappendixzdata-appendixz&\.(pdf|docx?|xlsx?|zip|rar|wps|et|ofd)z/module/download/ÚoldsrcÚOLDSRCz^(?:javascript:|mailto:|tel:|#)©r   Ú_titleÚtitleú?õ   é™„ä»¶z__ATTACH__%d__ú	<a href="ú" target="_blank">ú</a>ÚimgÚsrcz(icons?/|fileTypeImages/icon_)ÚpÚaltu   å›¾ç‰‡z__IMG__%d__z<p>z<br/>z</p>z<p><a href="z</a></p>c                 óÀ  •— | j                  d«      }t        j                  d|t        j                  «      r2|j	                  «       j                  d«      rdS | j                  d«      S | j                  d«      }t        j                  dd|«      }t        j                  |«      j                  «       }t        j                  dd|«      j                  «       }|s5t        j                  j                  |j                  d	«      d   «      xs d
}t        j                  j!                  ‰|«      }‰j#                  ||f«       dt%        ‰«      z  }d|›d|›d�‰|<   |S )Nr   z&^(?:javascript:|mailto:|tel:|s?ftp:|#)zjavascript:r   r   r"   ú<[^>]+>u   ^é™„ä»¶[:ï¼š]\s*rJ   rK   z__LINK__%d__rL   rM   rN   )Úgroupr   ÚmatchÚIÚlowerÚ
startswithr   r   r   r   ÚosÚpathÚbasenameÚsplitÚurllibÚparseÚurljoinÚappendÚlen)	ÚmrC   ÚinnerÚtxtÚabs_urlÚkeyÚattachmentsÚlink_protectÚpage_urls	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repl¡   s  ø€ Ø�w‰w�q‹zˆÜ�8‰8Ð=¸tÄRÇTÁTÔJØŸ™›×0Ñ0°Ô?�2ÐOÀQÇWÁWÈQÃZÐOØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*Ñ*Ó,ˆÜ�f‰fÐ(¨"¨cÓ2×8Ñ8Ó:ˆÙÜ—'‘'×"Ñ" 4§:¡:¨c£?°1Ñ#5Ó6ÒB¸(ˆCÜ—,‘,×&Ñ& x°Ó6ˆØ×Ñ˜G S˜>Ô*Øœs <Ó0Ñ0‰ÚELÊcÐRˆ�SÑØˆ
r   z&<a\s[^>]*href="([^"]+)"[^>]*>(.*?)</a>)ÚstyleÚclassÚlangÚdirÚalignÚvalignÚwidthÚheightÚborderÚcellpaddingÚcellspacingNÚdivÚtablec                 óf   •— ‰j                  | j                  d«      «       dt        ‰«      dz
  z  S )Nr   ú__TBL__%d__r   )ra   rU   rb   )rc   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_replÆ   s.   ø€ Ø×Ñ˜QŸW™W Q›ZÔ(Ø¤ MÓ 2°QÑ 6Ñ7Ð7r   z<table[^>]*>r   z<table(?:(?!<table).)*?</table>z</p>

z	<br\s*/?>ú
z8</?(?:span|font|o:p|st1?:[a-z]+|strong|em|b|i|u)\b[^>]*>z

z(?<=>)\s*[\r\n\t]+\s*z\s*[\r\n\t]+\s*(?=<)úú	r   z	[ \t]{2,}rT   õ   Â z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+u“   ^[ã€�\[ï¼ˆ(]?\s*(?:è¿”å›žé¡¶éƒ¨|å›žåˆ°é¡¶éƒ¨|è¿”å›žåˆ—è¡¨|æ‰“å�°(?:æœ¬é¡µ)?|å…³é—­(?:çª—å�£)?|åˆ†äº«|æ‰«ä¸€æ‰«|ä¸Šä¸€ç¯‡|ä¸‹ä¸€ç¯‡)\s*[ã€‘\]ï¼‰)]?$rz   ú<p[ >]ú<a[ >]z	<p>%s</p>z __(?:LINK|TBL|IMG|ATTACH)__\d+__z[ \t]+\nz\n{3,}r   )$r   r   ÚSrW   r   Úfind_allr.   Úsearchr   rV   Úget_textrZ   r[   r\   r]   r^   r_   r`   ra   rb   Úreplace_withÚ	decomposeÚjoinr4   r3   ÚattrsÚpopÚfindÚunwrapr   r   r   ÚitemsÚ	enumerateÚsetÚadd))Úcontentrj   Ú_souprB   rC   Ú_hrefÚ_oldsrcÚ	real_hrefre   rf   rg   rO   rP   rQ   ÚimgsÚsrcsrk   ÚtagÚattrÚdr|   Ú	has_tableÚprevÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutÚseenÚfinalÚdedupÚseen_uÚur   rh   ri   r{   s)    `                                    @@@r   Úhtml_to_textr¬   Z   s„	  û€ áØ�1�bˆyÐÜ�f‰f�] B¨´r·t±tÔ<€GÜ�f‰f�^ R¨¼¿¹Ô=€GÜ�f‰fÐ1°2°wÄbÇdÁdÌRÏTÉTÁkÔR€GÜ�f‰fÐ/°°WÄBÇDÁDÌ2Ï4É4ÁKÔP€Gà€KØ€Lä�f‰fÐ.°°GÓ<€Gæð5	Ü! '¨=Ó9ˆEØ—^‘^ C¨d�^Ó3ó (�Ø˜‘y�Ø—E‘E˜*Ô%¨¯©¨Ô)?ÜŸ9™9Ð%NÐPTÔVX×VZÑVZÔ[Ø.°$Ò6à!šZ R×.Ñ.Ó0�EØ Ÿu™u X›ÒG°!·%±%¸³/ÒGÀR×NÑNÓP�GÙ¤R§X¡XÐ.PÐRWÔY[×Y]ÑY]Ô%^Ø$)™	à$+Ò$4¨u˜	ØŸ:™:¨D˜:Ó1ò T°Q·U±U¸8³_ò TÈÏÉÈgËò TÜ Ÿg™g×.Ñ.¨y¯©¸sÓ/CÀAÑ/FÓGòTØKSð ä$Ÿl™l×2Ñ2°8¸YÓG�GØ×&Ñ&¨° ~Ô6Ø*¬S°Ó->Ñ>‘CÚQXÒZ]Ð(^�L Ñ%Ø—N‘N 3Ö'ð%(ð& —~‘~ eÓ,ò $�Ø—w‘w˜u“~Ò@¨¯©°Ó):Ò@¸b�Ü—9‘9Ð>ÀÄRÇTÁTÕJØ—M‘M•Oð$ð —^‘^ CÓ(ó ,�Ø—z‘z %Ó(�Ú §
¡
° 
Õ 6Ø�DØ#ò \˜Ø!Ÿg™g e›nÒG°·±¸Ó0AÒGÀR˜Ù"Ø$Ü"(§,¡,×"6Ñ"6°xÀÓ"E˜Ø"Ÿw™w u›~ÒG°·±¸Ó1AÒGÀR×NÑNÓPò OÜ!Ÿw™w×/Ñ/°·	±	¸#³¸qÑ0AÓBòOØFNð àŸšÊWÒVYÐ$ZÕ[ð\ó Ø+¬c°,Ó.?Ñ?˜Ø,1°G·L±LÀÓ4FÑ,FÈÑ,O˜ SÑ)ØŸ™ sÖ+ð,ð  —~‘~ eÓ,ò 	&�Ø—g‘g˜e“nÒ?¨¯©°Ó(9Ò?¸R�ÙØÜ Ÿ,™,×.Ñ.¨x¸Ó=�Ø—w‘w˜u“~Ò?¨¯©°Ó)9Ò?¸R×FÑFÓHò GÜ—w‘w×'Ñ'¨¯	©	°#«°qÑ(9Ó:òGØ>Fð à#¤c¨,Ó&7Ñ7‘ÚT[Ò]`Ð$a�˜SÑ!Ø× Ñ  Õ%ð	&ô ˜%“jˆGö
ô �f‰fÐ>À
Ø¤B§D¡D¬2¯4©4¡Kô1€Gõ ð	Ü! '¨=Ó9ˆEØ—~‘~ dÓ+ò .�ðOò .�Dà—I‘I—M‘M $¨Õ-ñ.ð.ð —^‘^ EÓ*ò �Ø—z‘z¨�zÔ-°a·f±f¸W´oØ !§¡ u¤°a·f±f¸S´kØ—K‘K•Mà—H‘H•Jðô ˜%“jˆGð €Mô8ô —Y‘Y˜°¼¿¹Ô>‘ÀA€IØ€DØ
�'Š/ØˆÜ—&‘&Ð;¸YØ ¬¯©¬r¯t©t©ô5ˆð �'‹/ô
 �f‰f�W˜j¨'¼¿¹Ô>€GÜ�f‰f�\ 4¨¼¿¹Ô=€GÜ�f‰fÐPÐRTØ¤B§D¡Dô*€Gð €EØ—‘˜vÓ&ó  ˆØ�K‰K‹MˆÙØÜ�F‰FÐ+¨R°Ó3ˆÜ�F‰FÐ*¨B°Ó2ˆØ�I‰I�d˜BÓ×'Ñ'¨¨cÓ2ˆÜ�F‰F�<  aÓ(ˆÜ—‘�z 2 qÓ)ˆÜ×!Ñ! %Ó(ˆØ—‘˜f cÓ*×2Ñ2°8¸SÓAˆÜ—‘Ð7¸¸UÓCˆÙØä�8‰8ð  kð  mrô  sØØ ×&Ñ&Ó(ò 	 ‰DˆAˆqØ—	‘	˜!˜Q“‰Að	 ä Ó.ò 	2‰FˆAˆsØ—	‘	˜-¨!Ñ+¨SÓ1‰Að	2ä�y‰y˜ A¤r§t¡tÔ,´·±¸9ÀaÌÏÉÔ1NØ˜a‘ˆAØ�‰�Q—W‘W“YÖð/ ð2 �+‰+�eÓ
€CØ×"Ñ"Ó$ò  ‰ˆˆ1Ø�k‰k˜!˜QÓ‰ð ä˜MÓ*ò 2‰ˆˆ3Ø�k‰k˜-¨!Ñ+¨SÓ1‰ð2ô �&‰&Ð4°b¸#Ó
>€CÜ
×
Ñ
˜CÓ
 €CÜ
�&‰&�˜d CÓ
(€CÜ
�&‰&�˜F CÓ
(€CÜ
�&‰&�˜s CÓ
(€Cä“%˜ˆ%€DØ�Y‰Y�vÓò ˆÜ�f‰f�V˜R¤§¡¨
°B¸Ó!:Ó;ˆÙ�c˜T‘kØØ�‰�ŒØ�‰�Q�ðð �+‰+�eÓ
×
"Ñ
"Ó
$€Càœ›ˆ6€EØò ‰ˆˆ1Ø�‰;ØØ�
‰
�1ŒØ�‰�a˜�VÕð	ð �	˜5Ð Ð øô_ ò 	Úð	ûôH ò 	Úð	úsG   Ã-A3k7 Å!F+k7 Ì:k7 Ík7 ÍCk7 Ð8E k7 Ö>Cl ë7	lìlì	lìlc                 ól   — | dk  rt         S t        j                  j                  t         d| dz
  z  «      S )Nr   zindex_%d.html)ÚLIST_URLr^   r_   r`   )Úpages    r   Úlist_page_urlr°     s.   € Øˆq‚yÜˆÜ�<‰<×Ñ¤¨/¸TÀA¹XÑ*FÓGÐGr   zNhref="([^"]+)"[^>]*title="([^"]*)"[^>]*>\s*[^<]*</a><b>(\d{4}-\d{2}-\d{2})</b>c                 ór  — g }t         j                  | «      D �]  }t        j                  |j	                  d«      «      j                  «       }t        |vrŒ?|j                  «       j                  d«      sŒ_t        |j	                  d«      «      }|rt        |«      dk  rŒŠt        j                  d|j	                  d«      «      }|rU|j	                  d«      ›d|j	                  d«      j                  d«      ›d|j	                  d«      j                  d«      ›�nd}|j                  |||f«       �Œ |S )Nr   z.htmlr"   ú(\d{4})-(\d{1,2})-(\d{1,2})r   ú-r   )ÚQDN_ITEM_REÚfinditerr   r   rU   r   ÚCOL_PATHrX   Úendswithr   rb   r   rV   Úzfillra   )Ú	html_textrŽ   rc   rC   rI   ÚdmÚdates          r   Ú
parse_listr¼     sù   € Ø€EÜ×!Ñ! )Ó,ó *ˆÜ× Ñ  §¡¨£Ó,×2Ñ2Ó4ˆÜ˜4ÑØØ�z‰z‹|×$Ñ$ WÔ-ØÜ˜AŸG™G A›JÓ'ˆÙœ˜E›
 QšØÜ�X‰XÐ4°a·g±g¸a³jÓAˆÙY[˜RŸX™X a�[¨"¯(©(°1«+×*;Ñ*;¸AÕ*>ÀÇÁÈÃ×@QÑ@QÐRSÔ@TÑUÐacˆØ�‰�d˜E 4Ð(Ö)ð*ð €Lr   c                 óü   — | j                  d«      }|r4|j                  d¬«      r"dj                  d„ |j                  D «       «      S | j                  d«      }|r"dj                  d„ |j                  D «       «      S y)Nzdiv.scroll_contTrG   r   c              3   ó2   K  — | ]  }t        |«      –— Œ y ­w©N©r4   ©Ú.0Úcs     r   ú	<genexpr>zextract_body.<locals>.<genexpr>-  ó   è ø€ Ò3 !”s˜1—vÑ3ùó   ‚zdiv[class*=TRS_UEDITOR]c              3   ó2   K  — | ]  }t        |«      –— Œ y ­wr¿   rÀ   rÁ   s     r   rÄ   zextract_body.<locals>.<genexpr>0  rÅ   rÆ   )Ú
select_oner†   r‰   Úcontents)Úsoupr¹   Úels      r   Úextract_bodyrÌ   *  sh   € Ø	�‰Ð*Ó	+€BÙ	ˆb�k‰k ˆkÔ%Ø�w‰wÑ3 r§{¡{Ô3Ó3Ð3Ø	�‰Ð2Ó	3€BÙ	Ø�w‰wÑ3 r§{¡{Ô3Ó3Ð3Ør   c                 óò  — dx}x}}d }t         �r[	 t        | 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«      rpt        j                  d	|d   «      }|rU|j                  d
«      ›d|j                  d«      j                  d«      ›d|j                  d«      j                  d«      ›�}|s.|j                  d«      }	|	rt        |	j                  d¬«      «      }t        || «      }|s�t        j                  d| t        j                  t        j                  z  «      }
|
rIt        |
j                  d
«      «      }t        j                  d|«      D �cg c]  }|sŒ|‘Œ	 }}|r|d   n|}|smt        j                  d| «      }|rU|j                  d
«      ›d|j                  d«      j                  d«      ›d|j                  d«      j                  d«      ›�}|||fS # t        $ r d }Y �Œw xY wc c}w )Nr   rA   ÚmetaÚnameÚArticleTitle)rŠ   r’   ÚPubDater²   r   r³   r"   r   Úh1TrG   z<title>(.*?)</title>r   éÿÿÿÿu'   (\d{4})[-å¹´/](\d{1,2})[-æœˆ/](\d{1,2}))r   rŒ   r   ÚcompilerW   r.   r   r…   rU   r¸   r†   rÌ   r3   rƒ   r]   )r¹   rj   rI   r»   Úcontent_htmlrÊ   ÚmtÚmdrº   rÒ   rc   r   rQ   rž   s                 r   Úparse_detailrØ   4  s  € Ø"$Ð$€EÐ$ˆD�<Ø€DÞð	Ü  ¨MÓ:ˆDØ—‘˜6¨&´"·*±*¸_ÌbÏdÉdÓ2SÐ)T�ÓUˆBÙ�b—f‘f˜YÔ'Ü# B y¡MÓ2�Ø—‘˜6¨&´"·*±*¸ZÌÏÉÓ2NÐ)O�ÓPˆBÙ�b—f‘f˜YÔ'Ü—Y‘YÐ=¸rÀ)¹}ÓM�ÙØ)+¯©°!­°b·h±h¸q³k×6GÑ6GÈÕ6JÈBÏHÉHÐUVËK×L]ÑL]Ð^_ÔL`Ða�DÙØ—Y‘Y˜t“_�ÙÜ'¨¯©¸$¨Ó(?Ó@�EÜ'¨¨iÓ8ˆLñ Ü�I‰IÐ-¨y¼"¿$¹$ÄÇÁ¹+ÓFˆÙÜ˜AŸG™G A›JÓ'ˆAÜ "§¡¨°Ó 3Ö9˜1²q’QÐ9ˆEÐ9Ù!&�E˜"’I¨AˆEÙÜ�Y‰YÐAÀ9ÓMˆÙØ!#§¡¨!¥¨b¯h©h°q«k×.?Ñ.?ÀÕ.BÀBÇHÁHÈQÃK×DUÑDUÐVWÔDXÐYˆDØ�$˜Ð$Ð$øô ò 	Ø‹Dð	üò :s   ‘EI" ÇI4ÇI4É"I1É0I1c                  ó|  — t         j                  j                  dt        j                  j	                  t        j                  j                  t        «      «      «       ddlm}  t        dt        t        t        t        fz  d¬«       dx}x}}t        «       }g }g }t        dt        dz   «      D �]N  }t!        |«      }t#        |«      }	|	st        d|z  d¬«        �n#t%        |	«      }
|
st        d|z  d¬«        �nt        d	|t'        |
«      fz  d¬«       |
D �]²  \  }}}||v rŒ|j)                  |«       |r|t        k  r|dz  }Œ/t#        |«      }|s|dz  }ŒBt+        ||«      \  }}}|s|}|s|}t-        ||«      \  }}}t'        t/        j0                  d
d|«      j3                  «       «      }t/        j4                  d|t.        j6                  «       xr+ t/        j4                  d|t.        j6                  «       xr | }|dk  s|rt        d|d d z  d¬«       |dz  }�Œt        ||||d|t8        dt:        |r-t=        j>                  |D ��cg c]
  \  }}||dœ‘Œ c}}d¬«      nddœ}t@        r|jC                  |«       n|jC                  |«       |dz  }t        d|d d |||rdndfz  d¬«       tE        jF                  d«       �Œµ t@        s|r | |t        ¬«       g }tE        jF                  d«       �ŒQ t@        rltI        t@        dd¬«      5 }|D ]+  }|jK                  t=        j>                  |d¬«      dz   «       Œ- 	 d d d «       t        dt@        t'        |«      fz  d¬«       n|r | |t        ¬«       t        d |||fz  d¬«       t        d!t        z  d¬«       y c c}}w # 1 sw Y   ŒgxY w)"Nr   )Úpush_to_searchdbz"=== %s (%s) pages=%d cutoff=%s ===Tr$   r   zPage %d fetch error, stopzPage %d: empty, stopzPage %d: found %d itemsrT   r   r�   r‚   r   z  skip empty/placeholder: %sé(   )rI   r8   F)Úensure_ascii)Ú	site_nameÚ
source_urlr8   rI   Úpub_dateÚsummaryr’   ÚcategoryÚtagsÚ
group_namerh   u     + %s (%s, %då­—%s)é&   u   , è¡¨æ ¼gš™™™™™É?)Úbatch_labelg333333Ó?Úwr   )r1   r}   zJSONL written: %s (%d rows)u*   æ–°å¢ž: %d | è·³è¿‡: %d | CUTOFFæˆªæ–­: %dz=== %s done ===)&Úsysr[   ÚinsertrZ   ÚdirnameÚabspathÚ__file__Úcrawler_librÚ   r7   Ú	SITE_NAMEÚSCRIPT_NAMEÚ_PAGESÚCUTOFFr�   r(   r°   r>   r¼   rb   r‘   rØ   r¬   r   r   r   r…   rW   ÚCATEGORYÚ
GROUP_NAMEÚjsonÚdumpsr   ra   r5   r6   ÚopenÚwrite)rÚ   Ú	new_countÚ
skip_countÚcutoff_countÚ	seen_urlsÚ
jsonl_rowsÚbatchr¯   r8   r¹   rŽ   rf   rI   r»   ÚdhtmlÚdtitleÚddaterÕ   r’   rœ   ÚattsÚ	plain_lenÚno_parar«   r   ÚitemÚfÚrows                               r   Úmainr  V  s�  € Ü‡H�H‡O�O�A”r—w‘w—‘¤r§w¡w§¡´xÓ'@ÓAÔBÝ,ä	Ð
.´)¼[Ì&ÔRXÐ1YÑ
YØõð -.Ð-€IÐ-�
˜\Ü“€IØ€JØ€Eä�aœ !™Ó$ó 7ˆÜ˜DÓ!ˆÜ˜#“Jˆ	ÙÜÐ-°Ñ4¸DÕAÚÜ˜9Ó%ˆÙÜÐ(¨4Ñ/°tÕ<ÚÜÐ'¨4´°U³Ð*<Ñ<ÀDÕIà$)ó '	Ñ ˆG�U˜DØ˜)Ñ#ØØ�M‰M˜'Ô"Ù˜œvšØ Ñ!�ØÜ˜'“NˆEÙØ˜a‘�
ØÜ*6°u¸gÓ*FÑ'ˆF�E˜<ÙØ�ÙØ�Ü'3°LÀ'Ó'JÑ$ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIÜŸ9™9 Y°¼¿¹Ó>Ð>ò UÜ!Ÿy™y¨°G¼R¿T¹TÓBÐBòUØKTÀ}ð à˜1Š}¡ÜÐ4°v¸c¸r°{ÑBÈ$ÕOØ˜a‘�
Ùä&°gÀgØ¨U¸rØ"´À"Ü(áVZô  $Ÿz™zØ8<×=±°°1˜q¨Ó+Ó=ÈEõ SØ`bñˆDõ Ø×!Ñ! $Õ'à—‘˜TÔ"Ø˜‰NˆIÜÐ(¨F°3°B¨K¸À	Ù9B©:Èð,Lñ LØSWõYä�J‰J�sŽOðO'	õP ™eÙ˜U´Õ<ØˆEÜ�
‰
�3Žðo7õr 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Ù˜U´Õ<ä	Ð
6¸)ÀZÐQ]Ð9^Ñ
^ÐfjÕkÜ	Ð
œiÑ
'¨tÖ4ùó3 >÷ 	Dð 	Dús   ÉN,"Ì1N2Î2N;Ú__main__)é   )6Ú__doc__rç   rZ   r   r5   ró   Úhtmlr   Úurllib.parser^   r   r   Úbs4r   ÚImportErrorÚenvironr.   r   r0   rí   rò   rî   rñ   ÚBASE_URLr®   r¶   rÔ   rW   Ú	DETAIL_REÚnowÚstrftimerð   r'   Ú
_MAX_PAGESr�   Úargvr¤   rB   rY   Úintr]   Ú
ValueErrorrb   rï   r   r>   r¬   r°   r´   r¼   rÌ   rØ   r  Ú__name__© r   r   ú<module>r     sÕ  ðñ÷ ?× >× >Ó >ß (ðÝ!ð �Z‰Z�^‰^˜L¨"Ó-€
Ø€à9€	Ø€
Ø"€Ø€Ø$€ØP€Ø€ØˆB�J‰JÐ(¨"¯$©$Ó/€	à
ˆ(�,‰,‹.™9¨'Ô2Ñ
2×	<Ñ	<¸ZÓ	H€ðCàOØ'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€òóò&r!òjHð ˆb�j‰jØUóW€òò"ò%òDO5ðd ˆzÒÙ…Fð øðg ò ØƒMðûð: ò 	Ùð	ûð
 ò 	Ùð	ús5   ¨E+ ÃE9ÄFÅ+E6Å5E6Å9FÆ FÆFÆF