Ë
    V_ŠjÅ,  ã                   óÜ  — 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Zddlm	Z	 dZ
dZe
ez   dz   ZdZd	Zd
ZdZddiZ ej$                  «       Zej(                  j+                  e«       d„ Zd„ Zdd„Zd„ Zd„ Zdd„Zedk(  rbdZ eej>                  «      dkD  rAej>                  dd D ]/  Z e jC                  d«      sŒ	  e"e jG                  d«      d   «      ZŒ1  ee¬«       yy# e$$ r Y ŒDw xY w)ue  
å¹³åŽŸåŽ¿äººæ°‘æ”¿åºœ - æ”¿åºœä¿¡æ�¯å…¬å¼€â†’æ³•å®šä¸»åŠ¨å…¬å¼€å†…å®¹â†’é€šçŸ¥å…¬å‘Š çˆ¬è™«
CMS: TRS (TurboCMS), ä¸Žè¦�é—»åŠ¨æ€�é€šçŸ¥å…¬å‘Šä¸�å�Œå­�æ �ç›®
åˆ—è¡¨: span#comp_55028248 > ul > li > a(æ ‡é¢˜) + b(æ—¥æœŸ)
åˆ†é¡µ: index_55028248_N.html (å½“å‰�ä»…1é¡µ)
è¯¦æƒ…: div.zwxxgk_ndbgwz > h1(æ ‡é¢˜), div.Article_ly(æ—¥æœŸ), div.view.TRS_UEDITOR(æ­£æ–‡)
é    N)Úurljoin)ÚBeautifulSoupzhttps://www.zgpingyuan.gov.cnz</n54880045/n54881815/n54882105/n54883091/n54996099/n89435444ú/u   å¹³åŽŸåŽ¿äººæ°‘æ”¿åºœu	   å±±ä¸œçœ�z/mnt/data/search.dbÚ55028248z
User-AgentzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36c                 óV   — | syt        j                  dd| «      } | j                  «       S )NÚ z(&middot;|&nbsp;|\s)+ú )ÚreÚsubÚstrip)Útexts    ú//root/gov_crawler/crawl_zgpingyuan_xxgk_tzgg.pyÚ
clean_textr   %   s'   € ÙØä�6‰6Ð*¨C°Ó6€DØ�:‰:‹<Ðó    c                 óò  — | syt        | d«      } |ddg«      D ]  }|j                  «        Œ g }|j                  D �]'  }|j                  sŒ|j                  dk(  rÆ|j	                  d¬«      }|sŒ5|j                  dd¬	«      D ]‰  }|d
   }t        j                  d|t        j                  «      sŒ.|j	                  d¬«      xs |}	|j                  d«      st        ||«      n|}
|j                  |j                  d|	› d|
› d�«      «       Œ‹ |j                  |«       Œæ|j                  dk(  r|j                  t        |«      «       �Œ|j                  dk(  �r—|j                  dd¬«      D ]Ù  }|j                  d«      rŒ|j	                  d¬«      }|sŒ*|j                  dd¬	«      D ]‰  }|d
   }t        j                  d|t        j                  «      sŒ.|j	                  d¬«      xs |}	|j                  d«      st        ||«      n|}
|j                  |j                  d|	› d|
› d�«      «       Œ‹ |j                  |«       ŒÛ |j                  dd¬«      D ]  }|j                  t        |«      «       Œ |j                  d«      D ]`  }|j!                  dd«      }|j!                  dd«      }|sŒ*|j                  d«      st        ||«      n|}|j                  d|› d|› d�«       Œb �Œ¸|j                  dk(  s�ŒÉ|j!                  dd«      }|j!                  dd«      }|s�Œñ|j                  d«      st        ||«      n|}|j                  d|› d|› d�«       �Œ* dj#                  |«      S )uB   æ��å�–æ­£æ–‡ï¼Œè¡¨æ ¼ä¿�ç•™HTMLï¼Œé™„ä»¶åµŒå…¥ï¼Œå›¾ç‰‡è½¬Markdownr   úhtml.parserÚscriptÚstyleÚpT©r   Úa©Úhrefr   ú"\.(pdf|doc|docx|xls|xlsx|zip|rar)$Úhttpz [z](z) ÚtableÚdiv©Ú	recursiveÚimgÚsrcÚaltz![ú)z

)r   Ú	decomposeÚchildrenÚnameÚget_textÚfind_allr
   ÚsearchÚIÚ
startswithr   Úreplace_withÚ
new_stringÚappendÚstrÚfind_parentÚgetÚjoin)Úhtml_contentÚ
detail_urlÚsoupÚtagÚpartsÚchildÚtÚa_tagr   Úa_textÚfull_urlr   Útblr    r!   r"   Úfull_srcs                    r   Úclean_content_htmlr?   -   s;  € áØÜ˜ }Ó5€DÙ�X˜wÐ'Ó(ò ˆØ�‰�ðð €EØ—‘ó 26ˆØ�zŠzØà�:‰:˜ÒØ—‘ T�Ó*ˆAÚà"Ÿ^™^¨C°d˜^Ó;ò Y�EØ  ™=�DÜ—y‘yÐ!FÈÌbÏdÉdÕSØ!&§¡°d Ó!;Ò!C¸t˜ØDHÇOÁOÐTZÔD[¤7¨:°tÔ#<Ðae˜Ø×*Ñ*¨4¯?©?¸RÀ¸xÀrÈ(ÈÐSUÐ;VÓ+WÕXðYð —‘˜Q•à�Z‰Z˜7Ò"à�L‰Lœ˜U›Ö$à�Z‰Z˜5Ó à—^‘^ C°4�^Ó8ò $�Ø—=‘= Ô)ØØ—J‘J T�JÓ*�Úà!"§¡¨C°d Ó!;ò ]˜Ø$ V™}˜ÜŸ9™9Ð%JÈDÔRT×RVÑRVÕWØ%*§^¡^¸$ ^Ó%?Ò%GÀ4˜FØHLÏÉÐX^ÔH_¤w¨z¸4Ô'@Ðei˜HØ!×.Ñ.¨t¯©ÀÀFÀ8È2ÈhÈZÐWYÐ?ZÓ/[Õ\ð]ð —L‘L •Oð$ð —~‘~ g¸�~Ó>ò '�Ø—‘œS ›XÕ&ð'ð —~‘~ eÓ,ò :�Ø—g‘g˜e RÓ(�Ø—g‘g˜e RÓ(�ÚØ?B¿~¹~ÈfÔ?Uœw z°3Ô7Ð[^�HØ—L‘L 2 c U¨"¨X¨J°aÐ!8Õ9ò:ð �Z‰Z˜5Ô Ø—)‘)˜E 2Ó&ˆCØ—)‘)˜E 2Ó&ˆCÛØ;>¿>¹>È&Ô;Qœ7 :¨sÔ3ÐWZ�Ø—‘˜r #  b¨¨
°!Ð4Ö5ðe26ðh �;‰;�uÓÐr   é   c                 óÜ  — g }t        | «      D �]´  }|dk(  r
t        dz   }nt        dt        › d|› d�z   }t        d|dz   › d�d	¬
«       	 t        j                  |d¬«      }d|_        |j                  dk7  rt        d|j                  › �«        |S 	 t        |j                  d«      }|j                  dt        › d�«      }|s!|j                  d«      }|st        d«        |S d}|j                  dd¬«      D ]£  }	|	j                  d«      }
|
sŒ|
j                  dd«      }d|vrŒ.t        |
j                  «       «      }|	j                  d«      }|rt        |j                  «       «      nd}|r|sŒzt!        t        |«      }|j#                  |||dœ«       |dz  }Œ¥ t        |› d �«       t%        j&                  d!«       �Œ· |S # t        $ r}t        d|› �«       Y d}~ |S d}~ww xY w)"u=   èŽ·å�–æ–‡ç« åˆ—è¡¨ - TRSæ— åˆ·æ–°åˆ†é¡µ index_55028248_N.htmlr   z
index.htmlÚindex_Ú_z.htmlu     ç¬¬é   u   é¡µ...r	   ©Úendé   ©Útimeoutúutf-8éÈ   zHTTP úERR Nr   z
span#comp_z ulÚulu	   æ— åˆ—è¡¨ÚliFr   r   r   r   zcontent.htmlÚb)ÚurlÚtitleÚdateu   æ�¡ç333333Ó?)ÚrangeÚLIST_URLÚCOMP_IDÚprintÚsessionr1   ÚencodingÚstatus_codeÚ	Exceptionr   r   Ú
select_oneÚfindr(   r   r'   r   r.   ÚtimeÚsleep)Ú	max_pagesÚ	all_itemsÚpagerP   ÚrÚer5   rM   ÚcountrN   r   r   rQ   rO   rR   r<   s                   r   Ú
fetch_listrf   m   s  € à€IÜ�iÓ ó -ˆØ�1Š9Ü˜\Ñ)‰Cä˜v¤g Y¨a°¨v°UÐ;Ñ;ˆCÜ��d˜1‘f�X˜VÐ$¨#Õ.ð	Ü—‘˜C¨�Ó,ˆAØ ˆAŒJØ�}‰} Ò#Ü˜˜aŸm™m˜_Ð-Ô.ØðF ÐðK $ô ˜QŸV™V ]Ó3ˆà�_‰_˜z¬'¨°#Ð6Ó7ˆÙà—‘˜4“ˆBÙÜ�kÔ"Øð, Ðð) ˆØ—+‘+˜d¨e�+Ó4ò 	ˆBØ—‘˜“ˆAÙØØ—5‘5˜ Ó$ˆDØ TÑ)ØÜ˜qŸz™z›|Ó,ˆEà—‘˜“ˆAÙ/0”:˜aŸj™j›lÔ+°bˆDÙ™uØÜœx¨Ó.ˆHØ×Ñ X¸ÀtÑLÔMØ�Q‰J‰Eð	ô" 	���sˆmÔÜ�
‰
�3Žð[-ð\ ÐøôE ò 	Ü�D˜˜�*ÔÜð@ ÐûðE	ús   Á
AGÇ	G+ÇG&Ç&G+c                 óF  — t        | d«      }d}d}d}d}|j                  dd¬«      }|r,|j                  d«      }|rt        |j                  «       «      }|j                  dd¬«      }	|	rm|	j                  «       }
t	        j
                  d|
«      }|rE|j                  d	«      }|j                  d
d«      j                  dd«      j                  dd«      }|}|j                  dd¬«      }|s|j                  dd¬«      }|�rt        t        |«      |«      }|j                  «       s‚|j                  dd¬«      D ]l  }|d   }|j                  d¬«      xs d}t	        j
                  d|t        j                  «      sŒD|j                  d«      st        ||«      n|}d|› d|› d�} n |j                  «       sc|j                  d«      D ]O  }|j                  dd«      }|j                  dd«      }|sŒ*|j                  d«      st        ||«      n|}d|› d�} n ||||fS )u   è§£æž�è¯¦æƒ…é¡µr   r   r   Úzwxxgk_ndbgwz)Úclass_Úh1Ú
Article_lyz)(\d{4}[\-\u5e74]\d{1,2}[\-\u6708]\d{1,2})rD   u   å¹´ú-u   æœˆu   æ—¥ÚviewÚTRS_UEDITORr   Tr   r   r   u   é™„ä»¶r   r   z<p><a href="z">z</a></p>r    r!   r"   u   ">æŸ¥çœ‹å›¾ç‰‡</a></p>)r   r]   r   r'   r
   r)   ÚgroupÚreplacer?   r/   r   r(   r*   r+   r   r1   )ÚhtmlrP   r5   rQ   Úpublish_dateÚsourceÚcontentÚndbgrj   Ú
article_lyÚtxtÚdmÚraw_dateÚview_divr:   r   r;   r<   r    r!   r"   r>   s                         r   Úparse_detailr{   ¡   s!  € ä˜˜}Ó-€DØ€EØ€LØ€FØ€Gð �9‰9�U ?ˆ9Ó3€DÙØ�Y‰Y�t‹_ˆÙÜ˜rŸ{™{›}Ó-ˆEð —‘˜5¨�Ó6€JÙØ×!Ñ!Ó#ˆÜ�Y‰YÐCÀSÓIˆÙØ—x‘x “{ˆHØ×'Ñ'¨¨sÓ3×;Ñ;¸EÀ3ÓG×OÑOÐPUÐWYÓZˆHØ#ˆLð �y‰y˜ vˆyÓ.€HÙØ—9‘9˜U¨=�9Ó9ˆÚÜ$¤S¨£]°CÓ8ˆð �}‰}ŒØ!×*Ñ*¨3°TÐ*Ó:ò �Ø˜V‘}�ØŸ™¨d˜Ó3Ò?°x�Ü—9‘9ÐBÀDÌ"Ï$É$ÕOØ9=¿¹ÈÔ9Pœw s¨DÔ1ÐVZ�HØ ,¨X¨J°b¸¸ÀÐI�GÙðð �}‰}ŒØ×(Ñ(¨Ó/ò �Ø—g‘g˜e RÓ(�Ø—g‘g˜e RÓ(�ÚØ8;¿¹ÀvÔ8Nœw s¨CÔ0ÐTW�HØ ,¨X¨JÐ6LÐM�GÙðð �, ¨Ð/Ð/r   c                 ó"  — | d   j                  dd«      }|xs | d   j                  dd«      }|xs | j                  dd«      }|xs t        }|j                  dd«      }|j                  dd«      }	|d d }
t        }d|› d	|› d	|	› d	|› d	|› d	|› d	|
› d	t        › d
�}|dz   }	 t	        j
                  dt        g|ddd¬«      }|j                  dk(  r`|j                  j                  «       }	 t        |j                  «       «      }|dkD  rPd|› d�}t	        j
                  dt        g|ddd¬«       yd|j                  vrt        d|j                  d d › �«       y# t        $ r d}Y Œcw xY w# t        $ r}t        d|› �«       Y d }~yd }~ww xY w)NrP   ú'z''rQ   rR   r   rK   zœINSERT OR IGNORE INTO gov_raw 
        (page_url, title, content, publish_date, source_url, site_name, summary, group_name, industry)
    VALUES 
        ('z', 'u   ', 'æ”¿åºœå…¬å‘Š');
zDSELECT CASE WHEN changes() > 0 THEN last_insert_rowid() ELSE 0 END;
Úsqlite3TrG   )ÚinputÚcapture_outputr   rI   r   z‡INSERT OR IGNORE INTO gov_search (rowid, title, site_name, summary)
SELECT rowid, title, site_name, summary FROM gov_raw WHERE rowid = z;
zUNIQUE constraintz	    [DB] u       [DB] é”™è¯¯: F)rp   r1   Ú	SITE_NAMEÚGROUPÚ
subprocessÚrunÚDB_PATHÚ
returncodeÚstdoutr   ÚintÚ
ValueErrorÚstderrrW   r[   )ÚitemÚdetail_titleÚpub_daters   rt   Úpage_urlrQ   rr   Úsource_nameÚcontent_safeÚsummaryÚ	site_nameÚsql_rawÚcombined_sqlÚresultÚoutÚrowidÚfts_sqlrd   s                      r   Úinsert_articler™   Ø   sè  € Ø�E‰{×"Ñ" 3¨Ó-€HØÒ*˜T '™]×3Ñ3°C¸Ó>€EØÒ3˜tŸx™x¨°Ó3€LØÒ%œI€KØ×%Ñ% c¨4Ó0€KØ—?‘? 3¨Ó-€LØ�D�Sˆk€GÜ€Iðð ˆ*�D˜˜˜t L >°°l°^À4ÈÀzÐQUÐV_ÐU`Ð`dÐelÐdmÐmqÔrwÐqxð yð€Gð
 ð ñ €Lð'Ü—‘ØœÐ ØØ d°Bô
ˆð
 ×Ñ Ò!Ø—-‘-×%Ñ%Ó'ˆCðÜ˜CŸI™I›KÓ(�ð �qŠyðDØDIÀ7ð Kð�ô —‘ 	¬7Ð3¸7ÐSWÐ^bÐlnÕoØà"¨&¯-©-Ñ7Ü˜	 &§-¡-°°Ð"5Ð!6Ð7Ô8ð øô ò Ø’ðûô ò 'ÜÐ! ! Ð%×&Ð&Øûð'úsC   Â#A	E- Ã-E Ä+E- Ä2)E- ÅE*Å'E- Å)E*Å*E- Å-	FÅ6F	Æ	Fc                 ó˜  — t        d«       t        | «      }|st        d«       y t        dt        |«      › d�«       t        «       }	 t	        j
                  dt        dgddd¬	«      }|j                  d
k(  rL|j                  j                  «       r2t        |j                  j                  «       j                  d«      «      }t        dt        |«      › �«       d
}d
}t        |«      D ]ø  \  }}|d   }||v r|dz  }Œt        d|dz   › dt        |«      › d|d   d d › d�d¬«       	 t        j                  |d¬«      }	d|	_        t%        |	j&                  |«      \  }}}}|j                  «       st        d«       |dz  }Œ™t)        |||||«      r,|dz  }t        dt        |j                  «       «      › d�«       n|dz  }t        d«       t!        j"                  d«       Œú t        d|› d |› d�«       t        d!«       y # t        $ r Y �ŒKw xY w# t        $ r.}
t        d|
› �«       t!        j"                  d«       Y d }
~
�Œ[d }
~
ww xY w)"Nu:   === å¹³åŽŸåŽ¿ - æ”¿åºœä¿¡æ�¯å…¬å¼€é€šçŸ¥å…¬å‘Š çˆ¬è™« ===
u   æ— æ–‡ç« åˆ—è¡¨u   
åˆ—è¡¨æ€»è®¡: u    æ�¡r~   zFSELECT page_url FROM gov_raw WHERE page_url LIKE '%zgpingyuan.gov.cn%'TrG   )r€   r   rI   r   ú
u   å·²çŸ¥URL: rP   rD   z  [r   z] rQ   é2   z...r	   rE   rH   rJ   rL   u   SKIP æ— æ­£æ–‡zOK (u   å­—)u   SKIP (é‡�å¤�æˆ–å…¥åº“å¤±è´¥)rS   u   
ç»“æžœ: æ–°å¢ž u    æ�¡, è·³è¿‡ u   === å®Œæˆ� ===)rW   rf   ÚlenÚsetrƒ   r„   r…   r†   r‡   r   Úsplitr[   Ú	enumeraterX   r1   rY   r^   r_   r{   r   r™   )r`   ÚarticlesÚ
known_urlsr•   ÚaddedÚskippedÚir   rP   rc   rd   Úd_titleÚd_dateÚd_sourcert   s                  r   Úmainr©     s=  € Ü	ÐGÔIÜ˜)Ó$€HÙÜÐÔ ØÜ	ÐœS ›]˜O¨4Ð
0Ô1ä“€JðÜ—‘ØœÐ!iÐjØ d°Bô
ˆð ×Ñ Ò! f§m¡m×&9Ñ&9Ô&;Ü˜VŸ]™]×0Ñ0Ó2×8Ñ8¸Ó>Ó?ˆJô 
ˆKœ˜J›Ð(Ð
)Ô*à€EØ€GÜ˜(Ó#ò ‰ˆˆ1Ø�‰hˆØ�*ÑØ�q‰LˆGØä��A�a‘C�5˜œ#˜h›-˜¨¨1¨W©:°c°r¨?Ð*;¸3Ð?ÀSÕIð	Ü—‘˜C¨�Ó,ˆAØ ˆAŒJô .:¸!¿&¹&À#Ó-FÑ*ˆ�˜ 7Ø�}‰}ŒÜÐ"Ô#Ø�q‰LˆGØä˜!˜W f¨h¸Ô@Ø�Q‰JˆEÜ�Dœ˜WŸ]™]›_Ó-Ð.¨dÐ3Õ4à�q‰LˆGÜÐ0Ô1Ü�
‰
�3�ð7ô: 
Ð˜e˜W M°'°¸$Ð
?Ô@Ü	Ð
ÕøôI ò Úðûô  ò 	Ü�D˜˜�*ÔÜ�J‰J�qŒMÝûð	ús+   ÁA;H Ä(HÈ	HÈHÈ	I	È#IÉI	Ú__main__rD   z--pages=ú=)r`   )r@   )%Ú__doc__r
   Úsysr^   rƒ   Úurllib.parser   ÚrequestsÚbs4r   ÚBASE_URLÚ	LIST_PATHrU   r�   r‚   r…   rV   ÚHEADERSÚSessionrX   ÚheadersÚupdater   r?   rf   r{   r™   r©   Ú__name__Úpagesr�   ÚargvÚargr+   rˆ   rŸ   r‰   © r   r   ú<module>r¼      s,  ðñó 
Û 
Û Û Ý  ã Ý ð +€ØJ€	Ø�iÑ #Ñ%€Ø#€	Ø€Ø
€Ø
€ð ð  Dð€ð ˆ(×
Ñ
Ó
€Ø ‡�× Ñ �wÔ òò=ó@1òh40òn(óV4ðn ˆzÒØ€EÙ
ˆ3�8‰8ƒ}�qÒØ—8‘8˜A˜B�<ò 	ˆCØ�~‰~˜jÕ)ðÙ §	¡	¨#£¨qÑ 1Ó2‘Eð	ñ 	�5Öð øð "ò Ùðús   Â<C#Ã#C+Ã*C+