Ë
    ì¾j÷  ã                   óŠ  — 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„ Zdefd„Zedk(  rpdej4                  v rdndZedk(  rdneZ eej4                  «      dkD  r2ej4                  d   j=                  «       r eej4                  d   «      Z eedk(  e¬«       yy) u3   èŠ¦å±±åŽ¿äººæ°‘æ”¿åºœ - å…¬ç¤ºå…¬å‘Šï¼ˆå®Œæ•´ç‰ˆï¼‰é    N)ÚBeautifulSoup)Úurljoinz/root/search.dbu   èŠ¦å±±åŽ¿-å…¬ç¤ºå…¬å‘Šu   å…¬ç¤ºå…¬å‘Šz/http://www.yals.gov.cn/gongkai/jichu/40016.htmléd   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_yals.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                 óF  — g }| j                  d«      }|r||j                  d«      D ]h  }|j                  ddg«      }g }|D ])  }|j                  dd¬«      }|sŒ|j                  |«       Œ+ |sŒI|j                  dj	                  |«      «       Œj d	j	                  |«      S )
uF   Extract the meta info table (ç´¢å¼•å�·/å��ç§° etc.) above the content.zdiv.hide_s tableÚtrÚtdÚthú T©Ústripz | ú
)Ú
select_oneÚfind_allÚget_textÚappendÚjoin)	ÚsoupÚ
detail_urlÚpartsÚ
info_tabler'   ÚcellsÚrow_dataÚcÚtxts	            r   Úextract_info_tabler;   /   s¥   € à€EØ—‘Ð!3Ó4€JÙØ×%Ñ% dÓ+ò 	3ˆBØ—K‘K  t Ó-ˆEØˆHØò )�Ø—j‘j ¨D�jÓ1�ÚØ—O‘O CÕ(ð)ò Ø—‘˜UŸZ™Z¨Ó1Õ2ð	3ð �9‰9�UÓ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=   r*   r+   z[^\S\n]+ú

)Úsetr/   ÚidÚaddÚnamer%   r1   r   Ú
startswithr   r0   ÚreÚsubr2   )Ú	xqing_divr4   r5   Ú	processedÚelÚmdrE   rF   Úfull_srcÚsub_imgr:   s              r   Úextract_contentrX   @   s€  € Ø€EÜ“€Ià× Ñ Ò!NÐZ^Ð Ó_ó "ˆÜˆb‹6�YÑØØ�‰”b˜“fÔà�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!ð3"ð6 �;‰;�uÓÐr   c                 óD  — | j                  dd¬«      }|sg S g }|j                  dd¬«      D ]p  }|d   j                  «       }|j                  d¬«      }|s|j	                  d	«      d
   }|j                  d«      st        ||«      n|}|j                  ||dœ«       Œr |S )NÚdivzxqing-web-file©Úclass_ÚaT)Úhrefr^   r+   ú/éÿÿÿÿrG   )rN   Úurl)Úfindr/   r,   r0   ÚsplitrO   r   r1   )r3   r4   Úfile_divÚattachmentsÚa_tagr^   rN   Úfull_urls           r   Úextract_attachmentsrh   b   s­   € Ø�y‰y˜Ð'7ˆyÓ8€HÙØˆ	Ø€KØ×"Ñ" 3¨TÐ"Ó2ò <ˆØ�V‰}×"Ñ"Ó$ˆØ�~‰~ Dˆ~Ó)ˆÙØ—:‘:˜c“? 2Ñ&ˆDØ48·O±OÀFÔ4K”7˜: tÔ,ÐQUˆØ×Ñ D°Ñ:Õ;ð<ð Ðr   c                 óZ  — | dk(  rt         }nt         › d| › �}	 t        j                  |t        d¬«      }|j	                  «        t        |«      }t        |d«      }g }|j                  d	«      }|s!t        d
| › d�t        j                  ¬«       g S |j                  dd¬«      D ]¯  }|j                  d«      }	|	r|	j                  d«      sŒ(|	d   j                  «       }
|	j                  dd«      xs |	j                  d¬«      }|sŒd|j                  d«      }|r|j                  d¬«      nd}t!        t         |
«      }|j#                  |||dœ«       Œ± t        d| › dt%        |«      › d�«       |S # t
        $ r-}t        d| › d|› �t        j                  ¬«       g cY d }~S d }~ww xY w)Né   z?page=é   ©r   Útimeoutz  [ERR] page z: ©Úfileúhtml.parserzdiv.data-list > ul.content-listz  [WARN] page z: no content-list foundÚliFrC   r]   r^   Útitler   Tr+   Úspan)rr   ra   Údatez  Page z items)ÚBASE_URLÚrequestsr   ÚHEADERSÚraise_for_statusÚ	ExceptionÚprintÚsysÚstderrr   r   r.   r/   rb   r,   r0   r   r1   Úlen)Úpage_numra   r   ÚeÚhtmlr3   ÚitemsÚulrq   rf   r^   rr   Ú	date_spanÚdate_strr4   s                  r   Úextract_list_pager…   q   s—  € Ø�1‚}Ü‰ä�
˜&  
Ð+ˆðÜ�L‰L˜¤g°rÔ:ˆØ	×ÑÔô �q‹>€DÜ˜˜}Ó-€DØ€EØ	�‰Ð:Ó	;€BÙÜ�˜x˜jÐ(?Ð@ÄsÇzÁzÕRØˆ	Ø�k‰k˜$¨%ˆkÓ0ò LˆØ—‘˜“ˆÙ˜EŸI™I fÔ-ØØ�V‰}×"Ñ"Ó$ˆØ—	‘	˜' 2Ó&ÒD¨%¯.©.¸t¨.Ó*DˆÙØØ—G‘G˜F“Oˆ	Ù5>�9×%Ñ%¨DÐ%Ô1ÀBˆÜœX tÓ,ˆ
Ø�‰˜u¨ZÀÑJÕKðLô 
ˆG�H�:˜R¤ E£
˜|¨6Ð
2Ô3Ø€Løô/ ò Ü�˜h˜Z r¨!¨Ð-´C·J±JÕ?Ø�	ûðús   ™,E4 Å4	F*Å="F%ÆF*Æ%F*c                 óh  — 	 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  rlt#        || «      }d|xs | j%                  d«      d   › d| › d�}|r|d|z   z  }|r3|D �cg c]  }d|d   › d|d   › d�‘Œ }}|ddj'                  |«      z   z  }|}||||fS # t        $ r}d d d g fcY d }~S d }~ww xY wc c}w )Nrk   rl   rp   r?   Tr+   r   rZ   Úintror[   rs   u%   å�‘å¸ƒæ—¶é—´ï¼š\s*(\d{4}-\d{2}-\d{2})rj   zxqing-web-boxé   ú[r_   r`   rH   rI   rJ   u
   é™„ä»¶ï¼š[rN   ra   )rv   r   rw   rx   ry   r   r   rb   r0   r/   rP   ÚsearchÚgrouprX   rh   r}   r,   r;   rc   r2   )ra   r   r   r€   r3   r?   rr   r„   r‡   rs   r:   ÚmÚxqingr   re   ÚinfoÚfallbackr]   Úattach_linkss                      r   Úextract_detailr‘   “   sÍ  € ð$Ü�L‰L˜¤g°rÔ:ˆØ	×ÑÔô �q‹>€DÜ˜˜}Ó-€DØ	�‰�4‹€BÙ')ˆB�K‰K˜dˆKÔ#¨r€EØ€HØ�I‰I�e GˆIÓ,€EÙØ—N‘N 6Ó*ò 	ˆDØ—-‘- d�-Ó+ˆCÜ—	‘	ÐBÀCÓHˆAÚØŸ7™7 1›:�Ùð	ð �I‰I�e OˆIÓ4€EØ€GÙÜ! %¨Ó-ˆÜ% d¨CÓ0€KÜ
ˆ7�=‰=‹?Ó˜bÒ ä! $¨Ó,ˆØ�uÒ2 §	¡	¨#£¨rÑ 2Ð3°2°c°U¸!Ð<ˆÙØ˜ ™Ñ%ˆHÙØKVÖWÀa˜j¨¨6©¨°2°a¸±h°Z¸qÒAÐWˆLÐWØ˜ §¡¨\Ó!:Ñ:Ñ:ˆHØˆØ�(˜G [Ð0Ð0øô= ò $Ø�T˜4 Ð#Õ#ûð$üò6 Xs#   ‚,F ÅF/Æ	F,ÆF'Æ!F,Æ'F,Fc                 ó”  — t        «       }|j                  «       }d}d}d}t        d|dz   «      D �]%  }t        |«      }|t	        |«      z  }|s �n|D ]ô  }	|	d   }
|j                  d|
f«       |j                  «       rŒ,t        |
«      \  }}}}|s|dz  }ŒD|xs |	d   }|xs |	d   }|rt        j                  |d¬«      nd	}|r|d d
 n|j                  «       }|s|}	 |j                  t        t        |
|
|j                  «       |||t        |t        f
«       |j                  «        |j                  dkD  r|dz  }| sŒî|dk\  sŒô n | s�Œ|dk\  s�Œ& n |j)                  «        t#        dt        › �«       t#        d|› d|› d|› �«       |S # t         $ r-}t#        d|› �t$        j&                  ¬«       |dz  }Y d }~Œƒd }~ww xY w)Nr   rj   ra   z)SELECT id FROM gov_raw WHERE page_url = ?rr   rt   F)Úensure_asciir   éÈ   z  DB error: rn   é   z
[DONE] z  New: z
, Errors: z, Listed total: )r   ÚcursorÚranger…   r}   r   Úfetchoner‘   ÚjsonÚdumpsr,   ÚSQLÚ	SITE_NAMEÚCATEGORYÚcommitÚrowcountry   rz   r{   r|   Úclose)Ú	test_modeÚ	max_pagesr   ÚcurÚtotalr   Útotal_listedÚpnr�   Úitemra   rr   r„   r   re   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•   rj   )r¡   r¢   ) Ú__doc__r™   rP   r{   rv   Úbs4r   Úurllib.parser   r
   rœ   r�   ru   Ú	MAX_PAGESrw   r›   r   r   r%   r;   rX   rh   r…   r‘   r¬   Ú__name__ÚargvÚmodeÚmax_pr}   ÚisdigitÚint© r   r   ú<module>r»      sð   ðá 9ß × Ý Ý  à
€Ø$€	Ø€Ø<€Ø€	ð DØOØ'ñ€ð-€ò
ò1òòò"òDòòD"1ðJ  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   