Ë
    ¸¬ujä*  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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%d„ Z&e'dk(  r e&«        yy# e$ r dZY ŒÌw xY w# e$ r Y Œ±w xY w# e$ r Y Œ¼w xY w)uç   
è®¸æ˜Œç»�å¼€åŒº - æ°‘æ„�å¾�é›† (hdjl/034007)
https://gjxcjkq.xuchang.gov.cn/hdjl/034007/secondPage.html
EWB åˆ—è¡¨: /hdjl/034007/{YYYYMMDD}/{uuid}.html, 19æ�¡/é¡µ, åˆ†é¡µ secondPage.html?page=N
è¯¦æƒ…: div.article æ­£æ–‡ + æ ‡é¢˜
é    N)ÚBeautifulSoupzhttps://gjxcjkq.xuchang.gov.cnz:https://gjxcjkq.xuchang.gov.cn/hdjl/034007/secondPage.htmlu   è®¸æ˜Œç»�å¼€åŒº-æ°‘æ„�å¾�é›†u   æ²³å�—zcrawl_xcjkq_hdjl.pyz/mnt/data/search.dbzkMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36z?text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8zzh-CN,zh;q=0.9)z
User-AgentÚAcceptzAccept-Languageé   z--pages=ú=z--pagesc                 ó2  — | syt        j                  | «      } | j                  dd«      j                  dd«      j                  dd«      j                  dd«      } t        j                  dd| «      } t        j                  dd| «      } | j                  «       S )	NÚ u   â€‹u   â€Œu   â€�u   ï»¿u   ^[\s\xa0Â·\u00b7]+ú\s+ú )Úhtml_libÚunescapeÚreplaceÚreÚsubÚstrip)Úts    ú%/root/gov_crawler/crawl_xcjkq_hdjl.pyÚclean_titler   4   s‚   € ÙØÜ×Ñ˜!Ó€AØ	�	‰	�(˜BÓ×'Ñ'¨°"Ó5×=Ñ=¸hÈÓK×SÑSÐT\Ð^`Óa€AÜ
�‰Ð$ b¨!Ó,€AÜ
�‰ˆv�s˜AÓ€AØ�7‰7‹9Ðó    c                 óŠ   — |dkD  rdt        |«      ind }| j                  t        |t        d¬«      }d|_        |j
                  S )Nr   Úpageé   )ÚparamsÚheadersÚtimeoutúutf-8)ÚstrÚgetÚLIST_URLÚHEADERSÚencodingÚtext)Úsessionr   r   Úrs       r   Ú
fetch_listr$   >   s>   € Ø$(¨1¢Hˆf”c˜$“iÑ °$€FØ�‰”H V´WÀbˆÓI€AØ€A„JØ�6‰6€Mr   c                 ó°  — g }t        j                  d| t         j                  t         j                  z  «      D �]  }|j	                  d«      }|j	                  d«      }t        j
                  dd|«      }t        j                  |«      j                  «       }t        j
                  dd|«      }|rt        |«      dk  rŒˆt        j                  j                  t        |«      }t        j                  d	|«      }|r7|j	                  d«      ›d
|j	                  d«      ›d
|j	                  d«      ›�nd}|j                  |t!        |«      |f«       �Œ |S )NzG<a[^>]*href="([^"]*/hdjl/034007/\d{8}/[0-9a-f-]+\.html)"[^>]*>(.*?)</a>r   é   ú<[^>]+>r   r	   r
   é   z/(\d{4})(\d{2})(\d{2})/ú-é   )r   ÚfinditerÚSÚIÚgroupr   r   r   r   ÚlenÚurllibÚparseÚurljoinr   ÚsearchÚappendr   )	Ú	html_textÚitemsÚmÚhrefÚinnerÚtxtÚabs_urlÚdmÚdates	            r   Ú
parse_listr>   E   s
  € Ø€Eä�[‰[ØRØ”2—4‘4œ"Ÿ$™$‘;óó 8ˆð �w‰w�q‹zˆØ—‘˜“
ˆÜ�f‰f�Z  UÓ+ˆÜ×Ñ Ó$×*Ñ*Ó,ˆÜ�f‰f�V˜S #Ó&ˆÙ”c˜#“h ’lØÜ—,‘,×&Ñ&¤x°Ó6ˆä�Y‰YÐ1°4Ó8ˆÙGI˜RŸX™X a�[¨"¯(©(°1­+°r·x±xÀ´{ÑCÈrˆØ�‰�gœ{¨3Ó/°Ð6Ö7ð8ð  €Lr   c                 ó  — d}d}d}t         rÄt        | d«      }|j                  d«      xs |j                  d«      }|rt        |j                  «       «      }|j                  dt	        j
                  dt        j                  «      ¬«      }|s5|j                  dt	        j
                  dt        j                  «      ¬«      }|rt        |«      }|sAt	        j                  d	| t        j                  «      }|rt        |j                  d
«      «      }|sIt	        j                  d| t        j                  t        j                  z  «      }|r|j                  d«      }|s)t	        j                  d| «      }|r|j                  d«      }|||fS )Nr   úhtml.parserÚh1Úh2ÚdivÚarticle)Úclass_Úcontentz<title>([^<]*)</title>r   z<<div[^>]*class="[^"]*article[^"]*"[^>]*>(.*?)</div>\s*</div>r   z(\d{4})-(\d{2})-(\d{2}))r   Úfindr   Úget_textr   Úcompiler-   r   r3   r,   r.   )	r5   Úpage_urlÚtitler=   Úcontent_htmlÚsouprA   Údcr7   s	            r   Úparse_detailrO   [   s8  € Ø€EØ€DØ€LÝÜ˜Y¨Ó6ˆØ�Y‰Y�t‹_Ò/ §	¡	¨$£ˆÙÜ §¡£Ó.ˆEØ�Y‰Y�u¤R§Z¡Z°
¼B¿D¹DÓ%AˆYÓBˆÙØ—‘˜5¬¯©°JÄÇÁÓ)E�ÓFˆBÙÜ˜r›7ˆLÙÜ�I‰IÐ/°¼B¿D¹DÓAˆÙÜ §¡¨£
Ó+ˆEÙÜ�I‰IÐUÐW`Ôbd×bfÑbfÔik×imÑimÑbmÓnˆ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                  d	«      rd
|z   }‰j                  ||f«       dt        ‰«      › d�}d|› d|› d�‰|<   |S )Nr   r&   r'   r   u   ^é™„ä»¶[:ï¼š]\s*ú?r   u   é™„ä»¶z//zhttp:Ú__LINK__Ú__z	<a href="z" target="_blank">z</a>)r.   r   r   r   r   r   ÚosÚpathÚbasenameÚsplitr0   r1   r2   Ú
startswithr4   r/   )	r7   r8   r9   r:   r;   ÚkeyÚattachmentsÚlink_protectrJ   s	         €€€r   Ú
_link_replz html_to_text.<locals>._link_repl�   s   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˜dÔ#Ø Ñ'ˆGØ×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   r`   )r4   r.   r/   )r7   Útable_protects    €r   Ú	_tbl_replzhtml_to_text.<locals>._tbl_replŸ   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]+rk   r`   z__LINK__\d+__z__TBL__\d+__z[ \t]+\nz\n{3,}z	[ \t]{2,}r	   )r   r   r,   r-   r   Úfind_allÚattrsÚpopr   Ú	Exceptionr3   rd   r   r   r   r   r6   Ú	enumerater4   ÚjoinÚsetÚadd)rF   rJ   Ú_soupÚtagÚattrÚcontent2ri   rm   Ú	has_tableÚpartsÚblockÚbÚplainÚkÚvÚiÚtblÚoutÚseenÚfinalÚprf   rg   rh   rl   s    `                    @@@r   Úhtml_to_textr‰   x   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 $¨Õ-ñ.ð.ô ˜%“jˆGð €HÜ�v‰vÐTÐVXÐZbÔjl×jnÑjnÔo€HØ€KØ€Löô �v‰vÐ?ÀÈXÔ]_×]aÑ]aÔdf×dhÑdhÑ]hÔi€Hà€Mô2ô �v‰vÐ0°)¸XÌRÏTÉTÔTV×TXÑTXÉ[ÔY€HÜ—Y‘Y˜°¼¿¹Ô>‘ÀA€Iä�v‰v�g˜z¨8¼2¿4¹4Ô@€HÜ�v‰v�l D¨(¼"¿$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                   $ r=}
dt#        |
«      v r*t%        j&                  d«       t)        | |||||«      cY d }
~
S ‚ d }
~
ww xY w)Nz7SELECT id FROM gov_raw WHERE page_url=? AND site_name=?FÚotherr   )Úclassify_industryz¨INSERT OR IGNORE INTO gov_raw (page_url, source_url, title, content, publish_date, site_name, group_name, script_name, has_table, industry) VALUES (?,?,?,?,?,?,?,?,?,?)r'   r   r	   r
   éÈ   zTINSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary) VALUES (?,?,?,?)TÚlockedr*   )ÚexecuteÚ	SITE_NAMEÚfetchoneÚcrawler_librŒ   rs   Ú
GROUP_NAMEÚSCRIPT_NAMEÚrowcountr   r   r   r   r   Ú	lastrowidÚsqlite3ÚOperationalErrorr   ÚtimeÚsleepÚstore_record)ÚconnÚurlrK   rF   r=   r|   ÚcurÚindustryrŒ   ÚsummaryÚes              r   r›   r›   ×   sF  € Ø
�,‰,ÐPÐSVÔXaÐRbÓ
c€CØ
‡|�|„~ØðØˆð	Ý5Ù(¨Ó/ˆHð �l‰lð+ð �#�u˜g t¬Y¼
ÄKÐQZÐ\dÐeó	
ˆð �<‰<˜!ÒÜ—f‘f˜Z¨¨WÓ5ˆGÜ×'Ñ'¨Ó0ˆGÜ—f‘f˜V S¨'Ó2×8Ñ8Ó:¸4¸CÐ@ˆGØ�L‰LØfØ—‘ ¤y°'Ð:ôð Øøô# ò 	Ùð	ûô$ ×#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                 ó’   — | j                  |t        d¬«      }|j                  dk(  r	d|_        |S t	        d|j                  › �«      ‚)Nr   )r   r   r�   r   zHTTP )r   r   Ústatus_coder    ÚRuntimeError)r"   r�   r#   s      r   Úfetch_detailr¥   ù   sD   € Ø�‰�C¤°"ˆÓ5€AØ‡}�}˜ÒØˆŒ
ØˆÜ
˜˜qŸ}™}˜oÐ.Ó
/Ð/r   c            
      ó\  — dd l } | j                  «       }|j                  j                  t        «       t        j                  t        d¬«      }|j                  d«       |j                  d«       d}d}t        «       }t        dt        dz   «      D �]i  }	 t        ||«      }t        |«      }	t        d|› dt!        |	«      › d�d	¬
«       |	st        dd	¬
«        �n"|	D �]  \  }
}}|
|v rŒ|j#                  |
«       	 t%        ||
«      }|j&                  j)                  dd¬«      }t+        ||
«      \  }}}|s|}|s|}t-        ||
«      \  }}}t!        t/        j0                  dd|«      j3                  «       «      }|dk  rt        d|d d › �d	¬
«       |dz  }Œ¼t5        ||
||||«      }|r|dz  }t        d|d d › d|› d�d	¬
«       n|dz  }t7        j8                  d«       �Œ t7        j8                  d«       �Œl |j;                  «        |j=                  «        t        d|› �d	¬
«       t        d|› �d	¬
«       t        d t>        › 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 }~�ŒÇd }~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   r   )Úerrorsz  detail error z: r'   r   é
   z  skip empty: r   z  + é(   z (ú)g      Ð?g      à?u   æ–°å¢ž: u   è·³è¿‡: z=== z	 done ===) ÚrequestsÚSessionr   Úupdater   r—   ÚconnectÚDB_PATHr�   rv   ÚrangeÚ_PAGESr$   rs   Úprintr>   r/   rw   r¥   rF   ÚdecoderO   r‰   r   r   r   r›   r™   rš   ÚcommitÚcloser�   )r­   Úsrœ   Ú	new_countÚ
skip_countÚ	seen_urlsr   r5   r¡   r6   r;   rK   r=   r#   ÚdhtmlÚdtitleÚddaterL   rF   r|   Ú_Ú	plain_lenÚoks                          r   ÚmainrÂ     s«  € ÛØ×ÑÓ€AØ‡I�I×Ñ”WÔÜ�?‰?œ7¨BÔ/€DØ‡L�LÐ,Ô-Ø‡L�LÐ*Ô+à€IØ€JÜ“€Iä�aœ !™Ó$ó (ˆð	Ü" 1 dÓ+ˆIô ˜9Ó%ˆÜ��d�V˜8¤C¨£J <¨vÐ6¸dÕCÙÜÐ/°tÕ<ÚØ$)ó 	Ñ ˆG�U˜DØ˜)Ñ#ØØ�M‰M˜'Ô"ðÜ   GÓ,�ØŸ	™	×(Ñ(¨¸Ð(ÓC�ô
 +7°u¸gÓ*FÑ'ˆF�E˜<ÙØ�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ð9	ô: 	�
‰
�3ŽðQ(ðT 	‡K�K„MØ‡J�J„LÜ	ˆH�Y�KÐ
 ¨Õ-Ü	ˆH�Z�LÐ
!¨Õ.Ü	ˆD”�˜9Ð
%¨TÖ2øôW ò 	Ü�E˜$˜˜~¨a¨SÐ1¸Õ>Ýûð	ûô ò Ü˜¨ y°°1°#Ð6¸dÕCØ˜a‘�
Ýûðús0   ÂIÃ>)I?É	I<ÉI7É7I<É?	J+ÊJ&Ê&J+Ú__main__)(Ú__doc__Úsysra   r   r™   Úhtmlr   Úurllib.parser0   r—   Úbs4r   ÚImportErrorÚBASE_URLr   r�   r“   r”   r±   r   Ú
_MAX_PAGESrt   Úargvrƒ   Úare   Úintrd   Ú
ValueErrorr/   r³   r   r$   r>   rO   r‰   r›   r¥   rÂ   Ú__name__© r   r   ú<module>rÒ      sl  ðñó Û 	Û 	Û Û Û Û ðÝ!ð
 ,€ØG€Ø*€	Ø€
Ø#€Ø
€ð @Ø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òòò,%ò:\'ò~òD0ò:3ðz ˆzÒÙ…Fð øðW	 ò Ø‚Mðûð, ò 	Ùð	ûð
 ò 	Ùð	ús5    C) Á$C6Â DÃ)C3Ã2C3Ã6C>Ã=C>ÄD	ÄD	