Ë
    «�~já)  ã                   óX  — 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 ddlmZ dZdZdZd	Zd
Z ej&                  «        e	d¬«      z
  j)                  d«      Zej,                  j/                  dd«      ZddiZd„ Zd„ Zd„ Zd„ Zd„ Zdad#d„Z d„ Z!d$d„Z"e#dk(  rƒejH                  dd Z%dZ&dZ'ddjQ                  e%«      v r7 e) ejT                  d djQ                  e%«      «      jW                  d«      «      Z&d!e%v re%e%jY                  d!«      dz      Z' e"e&e'¬"«       yy)%u5  
å›½å®¶çº§æœ›åŸŽç»�æµŽæŠ€æœ¯å¼€å�‘åŒº - çŽ¯è¯„å…¬ç¤º (wedz.changsha.gov.cn/xwzx/sqgs/hpgs/)
CMS: TRS (tYYYYMMDD_{id}.html)
åˆ—è¡¨: a[title] ./YYYYMM/t{8ä½�}_{id}.html
åˆ†é¡µ: index_N.html
è¯¦æƒ…: å®¹å™¨ .TRS_Editor / .zoom, é™„ä»¶ç›¸å¯¹è·¯å¾„
ç”¨æ³•: python3 crawl_wedz_hpgs.py [--pages=N] [--json out.jsonl]
é    N)ÚdatetimeÚ	timedelta)ÚBeautifulSoup)Úurljoinu   æœ›åŸŽç»�å¼€åŒº-çŽ¯è¯„å…¬ç¤ºzhttp://wedz.changsha.gov.cnz+http://wedz.changsha.gov.cn/xwzx/sqgs/hpgs/zwedz.changsha.gov.cnu   æ¹–å�—iG  )Údaysz%Y-%m-%dÚDB_PATHz/root/search.dbz
User-AgentzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36c                 ó2   — t        dt        › d| › �d¬«       y )Nú[z] T)Úflush)ÚprintÚ	SITE_NAME)Úmsgs    ú$/root/gov_crawler/crawl_wedz_hpgs.pyÚlogr      s   € Ü	ˆAŒiˆ[˜˜3˜%Ð
 ¨Ö-ó    c                 ó´   — t        j                  dd| xs d«      } t        j                  dd| «      } t        j                  dd| «      j                  «       } | S )Nz&nbsp;|&#160;|\u200b|\ufeffÚ z\s+ú u   \.\.\.|â€¦$)ÚreÚsubÚstrip)Úts    r   Úclean_titler      sK   € Ü
�‰Ð-¨r°1²7¸Ó;€AÜ
�‰ˆv�s˜AÓ€AÜ
�‰ˆ~˜r 1Ó%×+Ñ+Ó-€AØ€Hr   c                 ó¬   — | dk(  rt         nt         d| › d�z   }t        j                  |t        d¬«      }|j                  xs d|_        |j                  S )Né   Úindex_z.htmlé   )ÚheadersÚtimeoutúutf-8)ÚLIST_URLÚrequestsÚgetÚHEADERSÚapparent_encodingÚencodingÚtext)ÚpÚurlÚrs      r   Ú
fetch_pager+   %   sJ   € Ø˜1’f�(¤(¨v°a°S¸Ð->Ñ">€CÜ�‰�S¤'°2Ô6€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 ó~   — t        j                  | t        dd¬«      }|j                  xs d|_        |j
                  S )Nr   F)r   r   Úverifyr    )r"   r#   r$   r%   r&   r'   )r)   r*   s     r   Úfetch_detailr.   +   s1   € Ü�‰�S¤'°2¸eÔD€AØ×$Ñ$Ò/¨€A„JØ�6‰6€Mr   c                 óð  — t        | d«      }g }|j                  dd¬«      D �]  }|j                  dd«      }t        j                  d|«      sŒ-t        |j                  dd«      xs |j                  d¬	«      «      }|rt        |«      d
k  rŒmd}|j                  ddg«      }|rjt        j                  d|j                  «       «      }|rD|j                  d«      j                  dd«      j                  dd«      j                  dd«      d d }|j                  |t        t        |«      |dœ«       �Œ t        «       }	g }
|D ]/  }|d   |	vsŒ|	j                  |d   «       |
j                  |«       Œ1 |
S )Núhtml.parserÚaT©Úhrefr3   r   zt\d{8}_\d+\.htmlÚtitle©r   é   ÚliÚdivõ#   20\d{2}[-/å¹´]\d{1,2}[-/æœˆ]\d{1,2}r   õ   å¹´ú-õ   æœˆú/é
   )r4   r)   Úpub_dater)   )r   Úfind_allr#   r   Úsearchr   Úget_textÚlenÚfind_parentÚgroupÚreplaceÚappendr   r!   ÚsetÚadd)ÚhtmlÚsoupÚitemsr1   r3   r4   r?   ÚparentÚmÚseenÚuniqÚits               r   Ú
parse_listrR   1   sb  € Ü˜˜}Ó-€DØ€EØ�]‰]˜3 Tˆ]Ó*ó ]ˆØ�u‰u�V˜RÓ ˆÜ�y‰yÐ,¨dÔ3ØÜ˜AŸE™E '¨2Ó.ÒH°!·*±*À4°*Ó2HÓIˆÙœ˜E›
 QšØØˆØ—‘  e˜}Ó-ˆÙÜ—	‘	Ð@À&Ç/Á/ÓBSÓTˆAÙØŸ7™7 1›:×-Ñ-¨e°SÓ9×AÑAÀ%ÈÓM×UÑUÐVYÐ[^Ó_Ð`cÐacÐd�Ø�‰˜u¬W´X¸tÓ-DÐRZÑ[Ö\ð]ô ‹5€DØ€DØò ˆØˆe‰9˜DÒ Ø�H‰H�R˜‘YÔØ�K‰K˜�Oðð €Kr   r   c                 óf  — |r|a ddddœ}t        | d«      }|j                  d«      }|r7|j                  d¬«      }t	        j
                  dd|«      }t        |«      |d<   |d   s3|j                  dd	g«      }|rt        |j                  d¬«      «      |d<   |j                  d
ddi¬«      }|r|j                  d«      r|d   d d |d<   |d   sbt	        j                  d| d d «      }|rG|j                  d«      j                  dd«      j                  dd«      j                  dd«      d d |d<   d}	dD ]"  }
|j                  |
«      }|sŒt        |«      }	 n |	rt        |	«      |d<   g }|j                  d«      D ]�  }|j                  dd«      }|j                  d¬«      xs t        j                   j#                  |«      }|sŒK|j%                  d«      rŒ]t         rt         nt&        }|j)                  dt+        ||«      › d|› d�«       Œ’ |r|d   dz   d j-                  |«      z   |d<   |S )!Nr   ©r4   Úpublish_dateÚcontentr0   r4   Tr5   uH   [_\-â€”]\s*(æœ›åŸŽ|å›½å®¶çº§æœ›åŸŽç»�æµŽæŠ€æœ¯å¼€å�‘åŒº|çŽ¯è¯„å…¬ç¤º).*$Úh1Úh2ÚmetaÚnameÚPubDate)ÚattrsrV   r>   rU   r9   i@  r   r:   r;   r<   r=   )zdiv.TRS_UEDITORzdiv.TRS_Editorzdiv.articlezdiv.zoomzdiv.fujian-box a[href], div.fjdown a[href], a[href*='.pdf'], a[href*='.doc'], a[href*='.xls'], a[href*='.zip'], a[href*='.rar']r3   Ú
javascriptú<p><a href="ú" target="_blank">ú</a></p>ú

ú
)Ú_detail_urlr   ÚfindrB   r   r   r   r#   rA   rE   rF   Ú
select_oneÚstrÚextract_clean_textÚselectÚosÚpathÚbasenameÚ
startswithÚBASE_URLrG   r   Újoin)rJ   Úpage_urlÚresultrK   Ú	title_tagr   ÚhÚ	meta_daterN   Úcontent_htmlÚselr8   Ú	att_partsr1   r3   r'   Úbases                    r   Úparse_detailrx   M   sJ  € áØˆØ¨2¸"Ñ=€FÜ˜˜}Ó-€DØ—	‘	˜'Ó"€IÙØ×Ñ TÐÓ*ˆÜ�F‰FÐ^Ð`bÐdeÓfˆÜ% a›.ˆˆw‰Ø�'Š?Ø�I‰I�t˜T�lÓ#ˆÙÜ)¨!¯*©*¸4¨*Ó*@ÓAˆF�7‰OØ—	‘	˜&¨°Ð(;�	Ó<€IÙ�Y—]‘] 9Ô-Ø!*¨9Ñ!5°c°rÐ!:ˆˆ~ÑØ�.Ò!Ü�I‰IÐ<¸dÀ5ÀD¸kÓJˆÙØ%&§W¡W¨Q£Z×%7Ñ%7¸¸sÓ%C×%KÑ%KÈEÐSVÓ%W×%_Ñ%_Ð`cÐehÓ%iÐjmÐkmÐ%nˆF�>Ñ"Ø€LØOò ˆØ�o‰o˜cÓ"ˆÚÜ˜s›8ˆLÙð	ñ
 Ü.¨|Ó<ˆˆyÑà€IØ�[‰[ð  [ó  \ò cˆØ�u‰u�V˜RÓ ˆØ�z‰z ˆzÓ%Ò?¬¯©×)9Ñ)9¸$Ó)?ˆÚ˜Ÿ™¨Õ5Ý"-•;´8ˆDØ×Ñ˜|¬G°D¸$Ó,?Ð+@Ð@RÐSWÐRXÐX`ÐaÕbðcñ Ø" 9Ñ-°Ñ6¸¿¹À9Ó9MÑMˆˆyÑØ€Mr   c           	      ó 
  ‡— | syt        | d«      }|j                  ddg«      D ]  }|j                  «        Œ |j                  d«      D ]9  }|j                  dd«      Št	        ˆfd„dD «       «      sŒ*|j                  «        Œ; |j                  d«      D ]u  }|j                  dd«      j                  «       Š‰s|j                  «        Œ6t	        ˆfd	„d
D «       «      r|j                  «        Œ[t        t        xs t        ‰«      |d<   Œw g }|j                  d«      D ]Ñ  }|j                  dd¬«      }|sŒ|j                  d«      rŒ+|j                  dd«      j                  «       }|j                  d¬«      xs5 t        j                  j                  |j                  d«      d   «      xs d}|sŒ—|j!                  d«      rŒ©|j#                  |t        t        xs t        |«      f«       ŒÓ |j                  d«      D ]8  }|j                  dd¬«      sŒ|j                  d«      rŒ)|j                  «        Œ: |j                  g d¢«      D ]  }|j%                  «        Œ |j                  ddg«      D ]9  }|j                  d¬«      rŒ|j                  g d¢«      rŒ*|j                  «        Œ; ddlm}	 g }
|j                  ddg«      D �]#  }|j*                  dk(  r|
j#                  t-        |«      «       Œ.|j*                  dk(  sŒ>|j                  d«      rŒPg }|j.                  D ]‹  }t1        |dd«      }|dk(  r|j#                  t-        |«      «       Œ0|dv r|j#                  t-        |«      «       ŒO|r|j#                  t-        |«      «       Œl|j#                   |	t-        |«      «      «       Œ� dj3                  |«      j                  «       }|s�Œ|
j#                  d|› d�«       �Œ& |j                  dd g«      D ]€  }|j                  d«      r|j*                  dk(  rŒ$dj3                  d!„ |j.                  D «       «      j                  «       }|sŒWt5        |«      d"k\  sŒf|
j#                  d |	|«      › d�«       Œ‚ t7        «       }|D ]7  \  }}||f}||v rŒ|j9                  |«       |
j#                  d#|› d$|› d%�«       Œ9 |
rd&j3                  |
«      S  |	| «      j                  «       S )'u¼   è¾“å‡ºçº¯ HTMLï¼šæ®µè�½ <p>ã€�é“¾æŽ¥ <a href target=_blank>ã€�è¡¨æ ¼ä¿�ç•™ã€�å›¾ç‰‡ <img>ã€�é™„ä»¶ç‹¬ç«‹æˆ�æ®µã€‚
    div ç›´æ–‡æœ¬ï¼ˆç­¾å��/æ—¥æœŸï¼‰ä¹Ÿè½¬ <p> æ®µï¼Œç¦�æ­¢æ··å�ˆæ ¼å¼�ã€‚r   r0   ÚscriptÚstyleÚimgÚsrcc              3   ó&   •K  — | ]  }|‰v –— Œ
 y ­w©N© ©Ú.0ÚkÚsrc0s     €r   ú	<genexpr>z%extract_clean_text.<locals>.<genexpr>‚   s   øè ø€ Òk˜Qˆq�DŒyÑkùs   ƒ)z
un-collectÚcollectÚshareÚfaviconÚqrcodeÚewmÚbannerc              3   óB   •K  — | ]  }|‰j                  «       v –— Œ y ­wr   )Úlowerr�   s     €r   r…   z%extract_clean_text.<locals>.<genexpr>‰   s   øè ø€ ÒI q��d—j‘j“lÔ"ÑIùs   ƒ)z.gifÚicon16r‹   r7   r1   Tr2   Útabler3   r5   ú?r   u   é™„ä»¶)zjavascript:ú#)ÚspanÚbÚstrongÚfontÚemÚiÚuÚsr8   r(   )r|   r�   r1   )ÚescaperZ   N)r1   r�   Úbrz<p>z</p>Útdc              3   óT   K  — | ]   }t        |t        «      sŒt        |«      –— Œ" y ­wr   )Ú
isinstancerf   )r‚   Úcs     r   r…   z%extract_clean_text.<locals>.<genexpr>¸   s   è ø€ ÒL A¼ÀAÄsÕ9Kœ˜QŸÑLùs   ‚(˜(é   r^   r_   r`   ra   )r   r@   Ú	decomposer#   Úanyr   r   rc   rm   rd   rD   rB   ri   rj   rk   Úsplitrl   rG   ÚunwraprJ   rš   rZ   rf   ÚcontentsÚgetattrrn   rC   rH   rI   )rt   rK   Útagr|   Úattach_linksr7   Úa_inr3   r'   rš   ÚpartsÚelÚinnerrŸ   rZ   r   r8   ÚdirectÚseen_ar)   Úkeyr„   s                        @r   rg   rg   w   sS  ø€ ñ ØÜ˜ }Ó5€DØ�}‰}˜h¨Ð0Ó1ò ˆØ�‰�ðð �}‰}˜UÓ#ò ˆØ�w‰w�u˜bÓ!ˆÜÓkÐ"jÔkÕkØ�M‰M�Oðð
 �}‰}˜UÓ#ò @ˆØ�w‰w�u˜bÓ!×'Ñ'Ó)ˆÙØ�M‰M�OÜÓIÐ,HÔIÔIØ�M‰M�Oä ¤Ò!8´¸$Ó?ˆC�ŠJð@ð €LØ�m‰m˜DÓ!ò TˆØ�w‰w�s ˆwÓ&ˆÚ˜Ÿ™ wÕ/Ø—8‘8˜F BÓ'×-Ñ-Ó/ˆDØ—=‘= t�=Ó,Ò`´·±×0@Ñ0@ÀÇÁÈCÃÐQRÑASÓ0TÒ`ÐX`ˆDÚ˜DŸO™OÐ,@ÕAØ×#Ñ# T¬7´;Ò3JÄ(ÈDÓ+QÐ$RÕSðTð �m‰m˜DÓ!ò ˆØ�7‰7�3˜Tˆ7Õ"¨2¯>©>¸'Õ+BØ�L‰L�Nðð �}‰}ÒQÓRò ˆØ�
‰
�ðð �}‰}˜e S˜\Ó*ò ˆØ�|‰| $ˆ|Õ'°·±Ò9NÕ0OØ�M‰M�Oðõ Ø€EØ�m‰m˜W c˜NÓ+ó ,ˆØ�7‰7�gÒØ�L‰Lœ˜R›Õ!Ø�W‰W˜‹^ B§N¡N°7Õ$;ØˆEØ—[‘[ò 	1�Ü˜q &¨$Ó/�Ø˜5’=Ø—L‘L¤ Q£Õ(ØÐ1Ñ1Ø—L‘L¤ Q£Õ(ÙØ—L‘L¤ Q£Õ(à—L‘L¡¬¨A«£Õ0ð	1ð —‘˜“×$Ñ$Ó&ˆAÛØ—‘˜s 1 # T˜]Ö+ð#,ð& �}‰}˜e T˜]Ó+ò 5ˆØ�?‰?˜7Ô#¨¯©°EÒ(9ØØ—‘ÑL¨¯©ÔLÓL×RÑRÓTˆÚ”c˜&“k QÓ&Ø�L‰L˜3™v f›~Ð.¨dÐ3Õ4ð5ô ‹U€FØ!ò K‰	ˆˆcØ�SˆkˆØ�&‰=ØØ�
‰
�3ŒØ�‰�| C 5Ð(:¸4¸&ÀÐIÕJðKñ "'ˆ6�;‰;�uÓÐH©F°<Ó,@×,FÑ,FÓ,HÐHr   r   c                 ó°  — t        d| › dt        › �«       g }t        «       }t        d| dz   «      D ]¬  }|dk(  rt        n
t        › d|› �}	 t        |«      }t        |«      }d}	|D ]4  }
|
d   |vsŒ|j                  |
d   «       |j                  |
«       |	dz  }	Œ6 t        d|› d	t        |«      › d
|	› dt        |«      › �«       |s nt        j                  d«       Œ® g }t        |d«      D ]¢  \  }}
|
d   r|
d   t        k  rŒ	 t        |
d   «      }t        ||
d   «      }|j                  |d   xs |
d   |
d   |d   xs |
d   |d   t         ddœ«       |dz  dk(  rt        d|› dt        |«      › �«       t        j                  d«       Œ¤ |rct#        |dd¬«      5 }|D ]+  }|j%                  t'        j(                  |d¬«      d z   «       Œ- 	 d d d «       t        d!t        |«      › d"|› �«       y t+        j,                  t.        «      }|j1                  d#«       |j3                  «       }dx}}|D ]V  }	 |j1                  d$|d%   |d&   |d&   |d   |d   |d   |d   xs dd d' |d(   f«       |j4                  dkD  r|dz  }n|dz  }ŒX |j7                  «        |j9                  «        t        d*|› d+|› d,�«       y # t        $ r}t        d|› d|› �«       Y d }~ �Œd }~ww xY w# t        $ r(}t        d|
d   dd  › d|› �«       ddddœ}Y d }~�Œõd }~ww xY w# 1 sw Y   �ŒNxY w# t        $ r}t        d)|› �«       |dz  }Y d }~�Œd }~ww xY w)-NzCrawl pages=z cutoff=r   Ú_ÚPz ERR: r   r)   z: z items (z new), total gš™™™™™é?r?   z	  detail iØÿÿÿr   rT   r4   rU   rV   u   çŽ¯è¯„å…¬ç¤º)r4   ro   rU   rV   Ú	site_nameÚcolumnr>   z  r=   gš™™™™™Ù?Úwr    )r&   F)Úensure_asciirb   zJSONL: z
 items -> zPRAGMA busy_timeout=10000z‰INSERT OR IGNORE INTO gov_raw (site_name, source_url, page_url, title, publish_date, content, summary, category) VALUES (?,?,?,?,?,?,?,?)r³   ro   iô  r´   z
DB error: zResult: z new, z skipped)r   ÚCUTOFFrH   Úranger!   r+   Ú	ExceptionrR   rI   rG   rC   ÚtimeÚsleepÚ	enumerater.   rx   r   ÚopenÚwriteÚjsonÚdumpsÚsqlite3Úconnectr   ÚexecuteÚcursorÚrowcountÚcommitÚclose)ÚpagesÚjson_outÚ	items_allrO   r(   r)   rJ   ÚerL   ÚnewrQ   ÚenrichedÚidxÚdetailÚfÚitemÚconnrŸ   ÚstoredÚskippeds                       r   ÚcrawlrÕ   Å   s¾  € Üˆ,�u�g˜X¤f XÐ.Ô/Ø€IÜ‹5€DÜ�1�e˜a‘iÓ ò ˆØ˜qš&�h¬¨
°!°A°3Ð&7ˆð	Ü˜a“=ˆDô ˜4Ó ˆØˆØò 	ˆBØ�%‰y Ò$Ø—‘˜˜E™Ô#Ø× Ñ  Ô$Ø�q‘‘ð		ô
 	ˆa�ˆs�"”S˜“Z�L ¨¨¨]¼3¸y»>Ð:JÐKÔLÙÙÜ�
‰
�3�ð#ð& €HÜ˜Y¨Ó*ò ‰ˆˆRØˆjŠ>˜b ™n¬vÒ5Øð	FÜ  5¡	Ó*ˆDÜ! $¨¨5©	Ó2ˆFð 	�‰Ø˜G‘_Ò3¨¨7©Ø˜5™	Ø" >Ñ2ÒD°b¸±nØ˜iÑ(Ü"Ø$ñ
ô 	ð �‰8�qŠ=Ü�"�S�E˜œ3˜y›>Ð*Ð+Ô,Ü�
‰
�3�ð'ñ* Ü�(˜C¨'Ô2ð 	E°aØ ò E�Ø—‘œŸ
™
 4°eÔ<¸tÑCÕDñE÷	Eô 	ˆg”c˜(“m�_ J¨x¨jÐ9Ô:Øä�?‰?œ7Ó#€DØ‡L�LÐ,Ô-Ø�‰‹€AØÐ€FˆWØò ˆð	Ø�I‰Ið,ð �kÑ" D¨Ñ$4°d¸:Ñ6FØ�g‘  ^Ñ 4°d¸9±oØ�y‘/Ò' R¨¨#Ð.°°X±ð@ô	Að �z‰z˜AŠ~Ø˜!‘‘à˜1‘�øðð  	‡K�K„MØ‡J�J„LÜˆ(�6�(˜&  	¨Ð2Õ3øôE ò 	Ü�!�A�3�f˜Q˜CÐ Ô!Þûð	ûô, ò 	FÜ�)˜B˜u™I c d˜OÐ,¨F°1°#Ð6Ô7Ø!°2À"ÑEŽFûð	Fú÷ 	Eñ 	Eûô. ò 	Ü�*˜Q˜CÐ Ô!Ø�q‰LŽGûð	úsU   ÁKÄK-Æ#1L!È<AL.Ë	K*ËK%Ë%K*Ë-	LË6LÌLÌ!L+Ì.	MÌ7MÍMÚ__main__é   z--pages=r   z--pages=(\d+)z--json)rÈ   rÉ   )r   )r   N)-Ú__doc__r   Úsysri   r¿   rº   rÁ   r"   r   r   Úbs4r   Úurllib.parser   r   rm   r!   ÚDOMAINÚGROUPÚnowÚstrftimer·   Úenvironr#   r   r$   r   r   r+   r.   rR   rc   rx   rg   rÕ   Ú__name__ÚargvÚargsrÈ   rÉ   rn   ÚintrA   rE   Úindexr€   r   r   ú<module>ræ      sD  ðñ÷ 2× 1× 1Ó 1ß (Ý Ý  à*€	Ø(€Ø8€Ø	€Ø€Ø
ˆ(�,‰,‹.™9¨%Ô0Ñ
0×	:Ñ	:¸:Ó	F€Ø
�*‰*�.‰.˜Ð$5Ó
6€Øð  Kð  L€ò.òòòòð2 €ó(òTKIó\J4ðZ ˆzÒØ�8‰8�A�Bˆ<€DØ€EØ€HØ�S—X‘X˜d“^Ñ#Ù�I�B—I‘IÐ.°·±¸³Ó?×EÑEÀaÓHÓIˆØ�4ÑØ˜Ÿ
™
 8Ó,¨qÑ0Ñ1ˆÙ	� Ö)ð r   