Ë
    ¸¬ujk+  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edz   dœZdZ eej,                  «      D ]k  \  ZZej3                  d«      r	  eej7                  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„ Z"d„ Z#d„ Z$d„ Z%e&dk(  r e%«        yy# e$ r dZY ŒÍw xY w# e$ r Y Œ®w xY w# e$ r Y Œ¹w xY w)uc  
ä¸­åŒ–æ³‰å·žçŸ³åŒ–æœ‰é™�å…¬å�¸ - å…¬å�¸å…¬å‘Š (www.qpcc.com.cn/zhqzsh/news/gsgg/)
è‡ªç ”ä¼�ä¸šç«™ (sinochem CMS)
åˆ—è¡¨: /zhqzsh/news/gsgg/A072004002Gone{page}.html (Gone1=ç¬¬1é¡µ), 8æ�¡/é¡µ
      é“¾æŽ¥ /zhqzsh/news/gsgg/{yyyy}/{m}/I{id}.html
è¯¦æƒ…: #article_content æ­£æ–‡, æ ‡é¢˜ h1/td.sinochem-detail-title
SSL: è¯�ä¹¦é“¾ä¸�å®Œæ•´, éœ€ verify=False
é    N)ÚBeautifulSoupzhttps://www.qpcc.com.cnu   ä¸­åŒ–æ³‰å·žçŸ³åŒ–-å…¬å�¸å…¬å‘Šu   ä¼�ä¸šzcrawl_qpcc_gsgg.pyz/mnt/data/search.dbz /zhqzsh/news/gsgg/A072004002GonezkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9z&/zhqzsh/news/gsgg/A072004002Gone1.html)z
User-AgentÚAcceptzAccept-LanguageÚRefereré   z--pages=ú=z--pagesc                 óH  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } | j                  dd«      j                  dd«      } t        j                  d	d| «      } | j                  «       S )
NÚ u   â€‹u   â€Œu   â€�u   ï»¿õ   Â ú u   ã€€ú\s+)Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    ú$/root/gov_crawler/crawl_qpcc_gsgg.pyÚclean_titler   7   sŒ   € ÙØÜ×Ñ˜!Ó€AØ	�	‰	�(˜BÓ×'Ñ'¨°"Ó5×=Ñ=¸hÈÓK×SÑSÐT\Ð^`Óa€AØ	�	‰	�&˜#Ó×&Ñ& x°Ó5€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 ó˜   — t         › t        › |› d�}| j                  |t        dd¬«      }|j                  xs d|_        |j                  S )Nz.htmlé   F©ÚheadersÚtimeoutÚverifyúutf-8)ÚBASE_URLÚLIST_PREFIXÚgetÚHEADERSÚapparent_encodingÚencodingÚtext)ÚsessionÚpageÚurlÚrs       r   Ú
fetch_listr)   A   sG   € ÜˆJ”{�m D 6¨Ð
/€CØ�‰�C¤°"¸UˆÓC€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 ó  — g }t        j                  d| t         j                  t         j                  z  «      D ]Æ  }|j	                  d«      }|j	                  d«      }t        j
                  dd|«      }t        j                  |«      j                  «       }t        j
                  dd|«      }|rt        |«      dk  rŒ‡t        j                  j                  t        |«      }|j                  |t        |«      f«       ŒÈ |S )	Nz?<a[^>]*href="([^"]*gsgg/20\d{2}/\d+/I\d+\.html)"[^>]*>(.*?)</a>r   é   ú<[^>]+>r	   r   r   é   )r   ÚfinditerÚSÚIÚgroupr   r   r   r   ÚlenÚurllibÚparseÚurljoinr   Úappendr   )Ú	html_textÚitemsÚmÚhrefÚinnerÚtxtÚabs_urls          r   Ú
parse_listr>   H   sÏ   € Ø€EÜ�[‰[ØJØ”2—4‘4œ"Ÿ$™$‘;óò 2ˆð �w‰w�q‹zˆØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*Ñ*Ó,ˆÜ�f‰f�V˜S #Ó&ˆÙ”c˜#“h ’lØÜ—,‘,×&Ñ&¤x°Ó6ˆØ�‰�gœ{¨3Ó/Ð0Õ1ð2ð €Lr   c                 óL  — d}d}d}t         �rZt        | d«      }|j                  ddt        j                  dt        j                  «      i¬«      }|r|j                  d«      rt        |d   «      }|s,|j                  d«      }|rt        |j                  «       «      }|j                  ddt        j                  d	t        j                  «      i¬«      }|rM|j                  d«      r<|d   j                  «       }	t        j                  d
|	«      }
|
r|
j                  d«      }|j                  dt        j                  dt        j                  «      ¬«      }|rt        |«      }|sAt        j                  d| t        j                  «      }|rt        |j                  d«      «      }|sIt        j                  d| t        j                  t        j                  z  «      }|r|j                  d«      }|s)t        j                  d
| «      }|r|j                  d«      }|||fS )Nr	   úhtml.parserÚmetaÚnameÚArticleTitle)ÚattrsÚcontentÚh1ÚPubDatez(\d{4})-(\d{2})-(\d{2})r   ÚdivÚarticle_content)Úidz5<meta\s+name="\s*ArticleTitle\s*"\s+content="([^"]*)"r   z?<div[^>]*id=["\']article_content["\'][^>]*>(.*?)</div>\s*</div>)r   Úfindr   Úcompiler0   r    r   Úget_textr   Úmatchr1   ÚstrÚsearchr/   )r7   Úpage_urlÚtitleÚdateÚcontent_htmlÚsoupÚmtrF   ÚmdÚdÚdmÚcdr9   s                r   Úparse_detailr[   Z   s¸  € Ø€EØ€DØ€LÞÜ˜Y¨Ó6ˆØ�Y‰Y�v f¬b¯j©j¸Ì"Ï$É$Ó.OÐ%PˆYÓQˆÙ�"—&‘&˜Ô#Ü  9¡Ó.ˆEÙØ—‘˜4“ˆBÙÜ# B§K¡K£MÓ2�Ø�Y‰Y�v f¬b¯j©j¸ÄRÇTÁTÓ.JÐ%KˆYÓLˆÙ�"—&‘&˜Ô#Ø�9‘×#Ñ#Ó%ˆAÜ—‘Ð4°aÓ8ˆBÙØ—x‘x “{�Ø�Y‰Y�u¤§¡Ð,>ÄÇÁÓ!EˆYÓFˆÙÜ˜r›7ˆLÙÜ�I‰IÐNÐPYÔ[]×[_Ñ[_Ó`ˆÙÜ §¡¨£
Ó+ˆEÙÜ�I‰IÐXÐZcÔeg×eiÑeiÔln×lpÑlpÑepÓqˆÙØŸ7™7 1›:ˆLÙÜ�I‰IÐ0°)Ó<ˆÙØ—7‘7˜1“:ˆDØ�$˜Ð$Ð$r   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  ¬«      } t        rQ	 t	        | d«      }|j                  d	«      D ]%  }d
D ]  }|j                  j                  |d «       Œ  Œ' t        |«      } | }t        j                  dd|t         j                  ¬«      }g Ši Šˆˆ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$dt        j                  dd|«      «      }|sŒ2||v rŒ7|j+                  |«       |j%                  |«       ŒZ dj'                  |«      j                  «       }||‰fS # t        $ r Y �Œâw xY w)%Nr	   r   z
<!--.*?-->)Úflagsz<meta[^>]*>z<script[^>]*>.*?</script>z<style[^>]*>.*?</style>r@   T)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}t        j                  j                  ‰|«      }‰j                  ||f«       d	t        ‰«      › d
�}d|› d|› d�‰|<   |S )Nr   r+   r,   r	   u   ^é™„ä»¶[:ï¼š]\s*ú?r   u   é™„ä»¶Ú__LINK__Ú__z	<a href="z" target="_blank">z</a>)r1   r   r   r   r   r   ÚosÚpathÚbasenameÚsplitr3   r4   r5   r6   r2   )	r9   r:   r;   r<   r=   ÚkeyÚattachmentsÚlink_protectrQ   s	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repl—   sè   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¸(ˆCÜ—,‘,×&Ñ& x°Ó6ˆØ×Ñ˜G S˜>Ô*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   rl   )r6   r1   r2   )r9   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,   r
   r   z&nbsp;z[\s\u200b\u200c\u200d\ufeff]+rv   rl   z__LINK__\d+__z__TBL__\d+__z[ \t]+\nz\n{3,}z	[ \t]{2,}r   )r   r   r/   r0   r   Úfind_allrD   ÚpoprO   Ú	ExceptionrP   rp   r   r   r   r   r8   Ú	enumerater6   ÚjoinÚsetÚadd)rE   rQ   Ú_soupÚtagÚattrÚcontent2rt   rx   Ú	has_tableÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutÚseenÚfinalÚprq   rr   rs   rw   s    `                    @@@r   Úhtml_to_textr’      sC  û€ Ù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€GÝð	Ü! '¨=Ó9ˆEØ—~‘~ dÓ+ò .�ð Lò .�DØ—I‘I—M‘M $¨Õ-ñ.ð.ô ˜%“jˆGð €HÜ�v‰vØFÈÈHÜ�d‰dô€Hð €KØ€Löô �v‰vÐ?ÀÈXÔ]_×]aÑ]aÔdf×dhÑdhÑ]hÔi€Hà€Mô2ô �v‰vÐ0°)¸XÌRÏTÉTÔTV×TXÑTXÉ[ÔY€HÜ—Y‘Y˜°¼¿¹Ô>‘ÀA€Iä�v‰v�g˜z¨8¼2¿4¹4Ô@€HÜ�v‰v�l D¨(¼"¿$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
$€Cà�	˜;Ð&Ð&øô_ ò 	Úð	ús   ÃAS7 Ó7	TÔTc                 óž  — | j                  d|t        f«      }|j                  «       ry	 d}	 ddlm}  ||«      }| j                  d|||||t        t        t        ||f
«      }|j                  dkD  ryt        j                  dd|«      }	t        j                  |	«      }	t        j                  d	d
|	«      j                  «       d d }	| j                  d|j                  |t        |	f«       yy# t
        $ r Y Œ¼w xY w# t        j                   $ r=}
dt#        |
«      v r*t%        j&                  d«       t)        | |||||«      cY d }
~
S ‚ d }
~
ww xY w)Nz7SELECT id FROM gov_raw WHERE page_url=? AND site_name=?FÚotherr   )Úclassify_industryz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)r,   r	   r   r   éÈ   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedé   )ÚexecuteÚ	SITE_NAMEÚfetchoneÚcrawler_libr•   r|   Ú
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr   r   r   r   r   Ú	lastrowidÚsqlite3ÚOperationalErrorrO   ÚtimeÚsleepÚstore_record)Úconnr'   rR   rE   rS   r…   ÚcurÚindustryr•   ÚsummaryÚes              r   r¥   r¥   ß   sF  € Ø
�,‰,ÐPÐSVÔXaÐRbÓ
c€CØ
‡|�|„~ØðØˆð	Ý5Ù(¨Ó/ˆHð �l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\dÐeó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð Øøô# ò 	Ùð	ûô$ ×#Ñ#ò Ø”s˜1“vÑÜ�J‰J�qŒMÜ  c¨5°'¸4ÀÓKÕKØûð	úsF   «C< ®C- ¼B/C< Ã-	C9Ã6C< Ã8C9Ã9C< Ã<EÄ1EÅ EÅEÅEc            
      óÆ  — dd l } dd l}|j                  |j                  j                  «       | j                  «       }|j                  j                  t        «       t        j                  t        d¬«      }|j                  d«       |j                  d«       d}d}t        «       }t        dt        dz   «      D �]u  }	 t!        ||«      }t'        |«      }
t%        d|› dt)        |
«      › d�d	¬
«       |
st%        dd	¬
«        �n.|
D �]  \  }}||v rŒ|j+                  |«       	 |j-                  |t        dd¬«      }|j.                  xs d|_        |j2                  }t5        ||«      \  }}}|s|}t7        ||«      \  }}}t)        t9        j:                  dd|«      j=                  «       «      }|dk  rt%        d|d d › �d	¬
«       |dz  }ŒÈt?        ||||||«      }|r|dz  }t%        d|d d › d|› d�d	¬
«       n|dz  }tA        jB                  d«       �Œ tA        jB                  d«       �Œx |jE                  «        |jG                  «        t%        d|› �d	¬
«       t%        d|› �d	¬
«       t%        d tH        › d!�d	¬
«       y # t"        $ r}	t%        d|› d|	› �d	¬
«       Y d }	~	 Œxd }	~	ww xY w# t"        $ r#}	t%        d|› d|	› �d	¬
«       |dz  }Y d }	~	�ŒÓd }	~	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 itemszEmpty page, stop paginationr   Fr   r   z  detail error z: r,   r	   é
   z  skip empty: z  + é(   z (ú)g      Ð?g      à?u   æ–°å¢ž: u   è·³è¿‡: z=== z	 done ===)%ÚrequestsÚurllib3Údisable_warningsÚ
exceptionsÚInsecureRequestWarningÚSessionr   Úupdater!   r¡   ÚconnectÚDB_PATHr™   r   ÚrangeÚ_PAGESr)   r|   Úprintr>   r2   r€   r    r"   r#   r$   r[   r’   r   r   r   r¥   r£   r¤   ÚcommitÚcloserš   )r±   r²   Úsr¦   Ú	new_countÚ
skip_countÚ	seen_urlsr&   r7   rª   r8   r=   rR   r(   ÚdhtmlÚdtitleÚddaterT   rE   r…   Ú_Ú	plain_lenÚoks                          r   ÚmainrÉ     sÉ  € ÛÛØ×Ñ˜W×/Ñ/×FÑFÔGØ×ÑÓ€AØ‡I�I×Ñ”WÔÜ�?‰?œ7¨BÔ/€DØ‡L�LÐ,Ô-Ø‡L�LÐ*Ô+à€IØ€JÜ“€Iä�aœ !™Ó$ó 'ˆð	Ü" 1 dÓ+ˆIô ˜9Ó%ˆÜ��d�V˜8¤C¨£J <¨vÐ6¸dÕCÙÜÐ/°tÕ<ÚØ#ó 	‰NˆG�UØ˜)Ñ#ØØ�M‰M˜'Ô"ðØ—E‘E˜'¬7¸BÀu�EÓM�Ø×0Ñ0Ò;°G�”
ØŸ™�ô
 +7°u¸gÓ*FÑ'ˆF�E˜<ÙØ�Ü$0°¸wÓ$GÑ!ˆG�Y ÜœBŸF™F :¨r°7Ó;×AÑAÓCÓDˆIØ˜2Š~Ü˜ v¨c¨r { mÐ4¸DÕAØ˜a‘�
ØÜ˜d G¨V°W¸eÀYÓOˆBÙØ˜Q‘�	Ü˜˜V C R˜[˜M¨¨E¨7°!Ð4¸DÖAà˜a‘�
Ü�J‰J�tÖð7	ô8 	�
‰
�3ŽðO'ðR 	‡K�K„MØ‡J�J„LÜ	ˆH�Y�KÐ
 ¨Õ-Ü	ˆH�Z�LÐ
!¨Õ.Ü	ˆD”�˜9Ð
%¨TÖ2øôU ò 	Ü�E˜$˜˜~¨a¨SÐ1¸Õ>Ýûð	ûô  ò Ü˜¨ y°°1°#Ð6¸dÕCØ˜a‘�
Ýûðús0   Ã J
Ä&:J4Ê
	J1ÊJ,Ê,J1Ê4	K Ê=KËK Ú__main__)'Ú__doc__Úsysrm   r   r£   Úhtmlr   Úurllib.parser3   r¡   Úbs4r   ÚImportErrorr   rš   r�   rž   r¹   r   r!   Ú
_MAX_PAGESr}   ÚargvrŒ   ÚaÚ
startswithÚintrp   Ú
ValueErrorr2   r»   r   r)   r>   r[   r’   r¥   rÉ   Ú__name__© r   r   ú<module>rÙ      sq  ðñó Û 	Û 	Û Û Û Û ðÝ!ð
 %€Ø-€	Ø€
Ø"€Ø
€Ø0€ð @ØOØ'ØÐBÑBñ	€ð €
Ù�c—h‘hÓò 
�D€A€qØ‡|�|�JÔð	Ù˜QŸW™W S¨!›_¨QÑ/Ó0‰Jð 
ˆi‹˜A ™E¡C¨¯©£MÓ1ð	Ù˜SŸX™X a¨!¡e™_Ó-‰Jð
ð " Q’‰¨A€òòòò$"%òJ]'ò@òD;3ð| ˆzÒÙ…Fð øðU	 ò Ø‚Mðûð. ò 	Ùð	ûð
 ò 	Ùð	ús5    C* Á(C7Â$DÃ*C4Ã3C4Ã7C?Ã>C?ÄD
Ä	D
