Ë
    ì¾jP  ã                   ó„  — d Z ddlZddlZddlZddlZddlmZ ddlmZ dZ	dZ
dZdZd	Zd
dddœZdZd„ Zd„ Zd„ Zd„ Zd„ Zd„ Zd„ Zdefd„Zedk(  rpdej2                  v rdndZedk(  rdneZ eej2                  «      dkD  r2ej2                  d   j;                  «       r eej2                  d   «      Z eedk(  e¬«       yy)u,   è®¸æ˜ŒçŽ¯è¯„ï¼ˆå’�è“�çŽ¯å¢ƒï¼‰- å…¬ç¤ºä¸“æ �é    N)ÚBeautifulSoup)Úurljoinz/root/search.dbu   è®¸æ˜ŒçŽ¯è¯„-å…¬ç¤ºä¸“æ �u   å…¬ç¤ºä¸“æ �z#http://www.xuchangeia.com/gszl.htmlé   zoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 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-Languagez·INSERT OR IGNORE INTO gov_raw
    (site_name, source_url, page_url, title, publish_date, summary, content, category, attachments, group_name)
    VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?)c                  ó|   — dd l } | j                  t        «      }|j                  d«       |j                  d«       |S )Nr   zPRAGMA journal_mode=WALzPRAGMA busy_timeout=5000)Úsqlite3ÚconnectÚDB_PATHÚexecute)r   Úconns     ú%/root/gov_crawler/crawl_xuchangeia.pyÚinit_dbr      s2   € ÛØ�?‰?œ7Ó#€DØ‡L�LÐ*Ô+Ø‡L�LÐ+Ô,Ø€Kó    c                 óJ  — | j                   }| j                  j                  dd«      }d|j                  «       v sd|j                  «       v r|j	                  dd¬«      S |d d j                  «       }d|v sd	|v sd
|v r|j	                  dd¬«      S |j	                  dd¬«      S )NzContent-TypeÚ Úgb2312ÚgbkÚreplace)ÚerrorsiÐ  s   gb2312s   gbks
   charset=gbzutf-8)ÚcontentÚheadersÚgetÚlowerÚdecode)ÚrÚrawÚctÚ	raw_lowers       r   Údecode_respr       s�   € Ø
�)‰)€CØ	
�‰�‰�~ rÓ	*€BØ�2—8‘8“:Ñ ¨"¯(©(«*Ñ!4Ø�z‰z˜%¨	ˆzÓ2Ð2Ø�E�T�
× Ñ Ó"€IØ�IÑ ¨9Ñ!4¸ÈÑ8RØ�z‰z˜%¨	ˆzÓ2Ð2Ø�:‰:�g iˆ:Ó0Ð0r   c                 ó   — t        | «      S )u'   ä¿�ç•™ HTML è¡¨æ ¼ç»“æž„ï¼ˆä¸�è½¬ mdï¼‰)Ústr)ÚtableÚargsÚkwargss      r   Útable_to_mdr%   +   s   € äˆu‹:Ðr   c                 ób  — g }t        «       }| j                  g d¢d¬«      D �]z  }t        |«      |v rŒ|j                  t        |«      «       |j                  dk(  r t        |«      }|sŒI|j                  |«       Œ[|j                  dk(  r™|j                  dd«      }|rQ|j                  dd«      }|j                  d	«      st        ||«      n|}|j                  |r	d
|› d|› d�nd|› d�«       |j                  dd¬«      D ]  }	|j                  t        |	«      «       Œ �Œ|j                  dk(  rA|j                  dd¬«      }
|
s�Œ)t        j                  dd|
«      }
|j                  |
«       �ŒS|j                  dd¬«      }
|
s�Œj|j                  |
«       �Œ} dj                  |«      S )N)Úpr"   ÚimgÚh1Úh2Úh3Úh4T©Ú	recursiver"   r(   Úsrcr   ÚaltÚhttpz![ú](ú)z![](r'   ú ©Ústripz[^\S\n]+ú

)ÚsetÚfind_allÚidÚaddÚnamer%   Úappendr   Ú
startswithr   Úget_textÚreÚsubÚjoin)Úcntr_divÚ
detail_urlÚpartsÚ	processedÚelÚmdr/   r0   Úfull_srcÚsub_imgÚtxts              r   Úextract_contentrL   /   s€  € Ø€EÜ“€IØ×ÑÒ MÐY]ÐÓ^ó "ˆÜˆb‹6�YÑØØ�‰”b˜“fÔØ�7‰7�gÒÜ˜R“ˆBÚØ—‘˜RÕ Ø�W‰W˜ÒØ—&‘&˜ Ó#ˆCÙØ—f‘f˜U BÓ'�Ø;>¿>¹>È&Ô;Qœ7 :¨sÔ3ÐWZ�Ø—‘¹˜r #  b¨¨
°!Ñ4À4ÈÀzÐQRÐASÔTØŸ;™; u¸˜;Ó=ò +�Ø—‘œb ›kÕ*ò+à�W‰W˜Š^Ø—+‘+˜c¨�+Ó.ˆCÛÜ—f‘f˜[¨#¨sÓ3�Ø—‘˜SÖ!à—+‘+˜c¨�+Ó.ˆCÛØ—‘˜SÖ!ð1"ð2 �;‰;�uÓÐr   c                 óà  ‡— g }| j                  d«      D ]Ö  }|d   j                  «       }t        j                  d|t        j                  «      sŒ<|j                  d¬«      xs |j                  d«      d   }|j                  d«      s|d	|j                  d«      d   z   z  }|j                  d
«      st        ||«      n|Št        ˆfd„|D «       «      rŒÃ|j                  |‰dœ«       ŒØ |S )Nz#cntrBody a[href]Úhrefz"\.(pdf|doc|docx|xls|xlsx|zip|rar)$Tr5   ú/éÿÿÿÿ)z.pdfz.docz.docxz.xlsz.xlsxz.zipz.rarr4   r1   c              3   ó.   •K  — | ]  }|d    ‰k(  –— Œ y­w)ÚurlN© )Ú.0ÚaaÚfull_urls     €r   ú	<genexpr>z&extract_attachments.<locals>.<genexpr>X   s   øè ø€ Ò?¨R�2�e‘9 Õ(Ñ?ùs   ƒ)r<   rR   )Úselectr6   r@   ÚsearchÚIr?   ÚsplitÚendswithr>   r   Úanyr=   )ÚsouprD   ÚattachmentsÚarN   r<   rV   s         @r   Úextract_attachmentsra   N   sÙ   ø€ Ø€KØ�[‰[Ð,Ó-ò 	@ˆØ�‰y�‰Ó ˆÜ�y‰yÐ>ÀÄbÇdÁdÔKØØ�z‰z ˆzÓ%Ò<¨¯©°C«¸Ñ)<ˆØ�}‰}ÐWÔXØ�C˜$Ÿ*™* S›/¨"Ñ-Ñ-Ñ-ˆDØ48·O±OÀFÔ4K”7˜: tÔ,ÐQUˆÜÓ?°;Ô?Õ?Ø×Ñ¨°XÑ>Õ?ð	@ð Ðr   c                 ó®  — | dk(  rt         }nd| › d�}	 t        j                  |t        d¬«      }|j	                  «        t        |«      }t        |d	«      }g }|j                  d
d¬«      xs |j                  d«      }|s!t        d| › d�t        j                  ¬«       g S |j                  dd¬«      D ]É  }|j                  dd¬«      }	d }
|	D ]  }|j                  dd«      }|sŒd|v sŒ|}
 n |
sŒ?|
d   j                  «       }|
j                  dd«      xs |
j                  d¬«      }|sŒ{|j                  dd¬«      }|r|j                  d¬«      nd}|j                  d«      }|j!                  |||dœ«       ŒË t        d| › dt#        |«      › d �«       |S # t
        $ r-}t        d| › d|› �t        j                  ¬«       g cY d }~S d }~ww xY w)!Né   zhttp://www.xuchangeia.com/gszl-z.htmlé   ©r   Útimeoutz  [ERR] page z: ©Úfileúhtml.parserÚulÚnews_ul©Úclass_z
ul.news_ulz  [WARN] page z: no news_ul foundÚliFr-   r`   T)rN   rN   r   z	/Article/Útitler5   ÚspanÚlastz[])ro   rR   Údatez  Page z items)ÚBASE_URLÚrequestsr   ÚHEADERSÚraise_for_statusÚ	ExceptionÚprintÚsysÚstderrr   r   ÚfindÚ
select_oner9   r6   r?   r=   Úlen)Úpage_numrR   r   ÚeÚhtmlr^   Úitemsrj   rn   Úa_tagsÚ	article_ar`   ÚhrN   ro   Ú	date_spanÚdate_strs                    r   Úextract_list_pager‡   ]   sä  € Ø�1‚}Ü‰à/°¨z¸Ð?ˆðÜ�L‰L˜¤g°rÔ:ˆØ	×ÑÔô �q‹>€DÜ˜˜}Ó-€DØ€EØ	�‰�4 	ˆÓ	*Ò	K¨d¯o©o¸lÓ.K€BÙÜ�˜x˜jÐ(:Ð;Ä#Ç*Á*ÕMØˆ	Ø�k‰k˜$¨%ˆkÓ0ò FˆØ—‘˜S t�Ó,ˆàˆ	Øò 	ˆAØ—‘�f˜bÓ!ˆAÚ�[ AÒ%Ø�	Ùð		ñ
 ØØ˜Ñ ×&Ñ&Ó(ˆØ—‘˜g rÓ*ÒL¨i×.@Ñ.@ÀtÐ.@Ó.LˆÙØà—G‘G˜F¨6�GÓ2ˆ	Ù5>�9×%Ñ%¨DÐ%Ô1ÀBˆà—>‘> $Ó'ˆØ�‰˜u¨T¸8ÑDÕEð)Fô* 
ˆG�H�:˜R¤ E£
˜|¨6Ð
2Ô3Ø€LøôA ò Ü�˜h˜Z r¨!¨Ð-´C·J±JÕ?Ø�	ûðús   ”,F Æ	GÆ'"GÇ	GÇGc                 ó<  — 	 t        j                  | t        d¬«      }|j                  «        t        |«      }t        |d«      }|j                  d«      }|r|j                  d¬«      nd}d}|j                  dd	¬
«      }|rS|j                  d«      D ]?  }	|	j                  d¬«      }
t        j                  d|
«      }|sŒ.|j                  d«      } n |j                  dd¬«      }d}|rt        || «      }t        || «      }t!        |j#                  «       «      dk  rVd|xs | j%                  d«      d   › d| › d�}|r3|D �cg c]  }d|d   › d|d   › d�‘Œ }}|ddj'                  |«      z   z  }|}||||fS # t        $ r}d d d g fcY d }~S d }~ww xY wc c}w )Nrd   re   ri   zdiv.n_info_con h1Tr5   r   ÚdivÚinfo_con_titrl   rp   z(\d{4}-\d{2}-\d{2})rc   ÚcntrBody)r:   é   ú[rO   rP   r2   r3   u
   é™„ä»¶ï¼š[r<   rR   r7   )rt   r   ru   rv   rw   r   r   r|   r?   r{   r9   r@   rY   ÚgrouprL   ra   r}   r6   r[   rB   )rR   r   r   r€   r^   r)   ro   r†   Úinfo_divrp   rK   ÚmÚcntrr   r_   Úfallbackr`   Úattach_linkss                     r   Úextract_detailr”   ˆ   s´  € ð$Ü�L‰L˜¤g°rÔ:ˆØ	×ÑÔô �q‹>€DÜ˜˜}Ó-€Dà	�‰Ð,Ó	-€BÙ')ˆB�K‰K˜dˆKÔ#¨r€Eà€HØ�y‰y˜ ~ˆyÓ6€HÙØ×%Ñ% fÓ-ò 	ˆDØ—-‘- d�-Ó+ˆCÜ—	‘	Ð0°#Ó6ˆAÚØŸ7™7 1›:�Ùð	ð �9‰9�U˜zˆ9Ó*€DØ€GÙÜ! $¨Ó,ˆä% d¨CÓ0€Kä
ˆ7�=‰=‹?Ó˜bÒ Ø�uÒ2 §	¡	¨#£¨rÑ 2Ð3°2°c°U¸!Ð<ˆÙØKVÖWÀa˜j¨¨6©¨°2°a¸±h°Z¸qÒAÐWˆLÐWØ˜ §¡¨\Ó!:Ñ:Ñ:ˆHØˆØ�(˜G [Ð0Ð0øô? ò $Ø�T˜4 Ð#Õ#ûð$üò8 Xs#   ‚,E= ÅFÅ=	FÆFÆFÆFFc                 ó”  — t        «       }|j                  «       }d}d}d}t        d|dz   «      D �]%  }t        |«      }|t	        |«      z  }|s �n|D ]ô  }	|	d   }
|j                  d|
f«       |j                  «       rŒ,t        |
«      \  }}}}|s|dz  }ŒD|xs |	d   }|xs |	d   }|rt        j                  |d¬«      nd	}|r|d d
 n|j                  «       }|s|}	 |j                  t        t        |
|
|j                  «       |||t        |t        f
«       |j                  «        |j                  dkD  r|dz  }| sŒî|dk\  sŒô n | s�Œ|dk\  s�Œ& n |j)                  «        t#        dt        › �«       t#        d|› d|› d|› �«       |S # t         $ r-}t#        d|› �t$        j&                  ¬«       |dz  }Y d }~Œƒd }~ww xY w)Nr   rc   rR   z)SELECT id FROM gov_raw WHERE page_url = ?ro   rr   F)Úensure_asciir   éÈ   z  DB error: rg   é   z
[DONE] z  New: z
, Errors: z, Listed total: )r   ÚcursorÚranger‡   r}   r   Úfetchoner”   ÚjsonÚdumpsr6   ÚSQLÚ	SITE_NAMEÚCATEGORYÚcommitÚrowcountrw   rx   ry   rz   Úclose)Ú	test_modeÚ	max_pagesr   ÚcurÚtotalr   Útotal_listedÚpnr�   ÚitemrR   ro   r†   r   r_   Úfinal_titleÚ
final_dateÚatt_jsonÚsummaryr   s                       r   Úcrawlr¯   ®   sã  € Ü‹9€DØ
�+‰+‹-€CØ€EØ€FØ€Lä�A�y 1‘}Ó%ó "ˆÜ! "Ó%ˆØœ˜E›
Ñ"ˆÙÚØò 	ˆDØ�u‘+ˆCØ�K‰KÐCÀcÀVÔLØ�|‰|Œ~ØÜ4BÀ3Ó4GÑ1ˆE�8˜W kÙØ˜!‘�ØØÒ0 4¨¡=ˆKØ!Ò1 T¨&¡\ˆJÙFQ”t—z‘z +¸EÕBÐWYˆHÙ(/�w˜t ‘}°[×GÑGÓIˆGÙØ%�ð
Ø—‘œCÜ˜s C¨×):Ñ):Ó)<¸jØ˜W¤h°¼(ð"ô ð —‘”Ø—<‘< !Ò#Ø˜Q‘J�Eò ˜U a›ZÙð7	ó8 ˜ !œÙðE"ðF 	‡J�J„LÜ	ˆI”i�[Ð
!Ô"Ü	ˆG�E�7˜* V HÐ,<¸\¸NÐ
KÔLØ€Løô ò Ü˜ Q CÐ(¬s¯z©zÕ:Ø˜!‘•ûðús   Ã!AFÆ	GÆ#GÇGÚ__main__z--testÚtestÚfullr˜   rc   )r¤   r¥   )Ú__doc__rœ   r@   ry   rt   Úbs4r   Úurllib.parser   r
   rŸ   r    rs   Ú	MAX_PAGESru   rž   r   r   r%   rL   ra   r‡   r”   r¯   Ú__name__ÚargvÚmodeÚmax_pr}   ÚisdigitÚintrS   r   r   ú<module>r½      sê   ðá 2ß × Ý Ý  à
€Ø'€	Ø€Ø0€Ø€	ð DØOØ'ñ€ð-€ò
ò1òòò>ò(òV#1ðL  Yó -ð` ˆzÒØ §¡Ñ)‰6¨v€DØ˜’‰A Y€EÙ
ˆ3�8‰8ƒ}�qÒ˜SŸX™X a™[×0Ñ0Ô2Ù�C—H‘H˜Q‘KÓ ˆÙ	�T˜V‘^°Ö6ð r   