Ë
    V_Šj "  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mZ ddlm	Z	 dZ
e
dz   ZdZdZd	d
ddœZd„ Zdd„Zd„ Zd„ Zd„ Zd d„Zedk(  roddlZ ej.                  d¬«      Zej3                  dedd¬«       ej3                  ddd¬«       ej7                  «       Z eej:                  ej<                  ¬«       yy)!uÇ   ç« è´¡åŒºäººæ°‘æ”¿åºœ - è¡Œæ”¿è®¸å�¯çˆ¬è™«
ç«™ç‚¹: www.zgq.gov.cn (ç« è´¡åŒº, èµ£å·ž, æ±Ÿè¥¿)
æ �ç›®: /zgqxxgk/c114459/jlist.shtml (è¡Œæ”¿è®¸å�¯, åŒºè¡Œæ”¿å®¡æ‰¹å±€)
CMS: ç« è´¡åŒºä¿¡æ�¯å…¬å¼€ç³»ç»Ÿ
é    N)Údatetime)ÚBeautifulSoupzhttps://www.zgq.gov.cnz/zgqxxgk/c114459/jlist.shtmlz/root/search.dbzwww.zgq.gov.cn-xzxkzoMozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36z`text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8zzh-CN,zh;q=0.9,en;q=0.8)z
User-AgentÚAcceptzAccept-Languagec                  ó^   — t        j                  t        d¬«      } | j                  d«       | S )Né<   )ÚtimeoutzPRAGMA journal_mode=WAL)Úsqlite3ÚconnectÚDB_PATHÚexecute)Úconns    ú#/root/gov_crawler/crawl_zgq_xzxk.pyÚinit_dbr      s$   € Ü�?‰?œ7¨BÔ/€DØ‡L�LÐ*Ô+Ø€Kó    c                 ó@  — 	 t        j                  | t        |¬«      }d|_        |j                  dk(  r|j
                  S t        d|j                  › d| › �t        j                  ¬«       y # t        $ r(}t        d|› �t        j                  ¬«       Y d }~y d }~ww xY w)N)Úheadersr   zutf-8éÈ   z  [WARN] HTTP z for )Úfilez  [ERROR] fetch failed: )
ÚrequestsÚgetÚHEADERSÚencodingÚstatus_codeÚtextÚprintÚsysÚstderrÚ	Exception)Úurlr   ÚrespÚes       r   Ú
fetch_pager"   #   s†   € ð	Ü�|‰|˜C¬¸'ÔBˆØˆŒØ×Ñ˜sÒ"Ø—9‘9ÐÜ�˜t×/Ñ/Ð0°°c°UÐ;Ä#Ç*Á*ÕMØøÜò ÜÐ(¨¨Ð,´3·:±:Õ>Üûðús   ‚=A, Á +A, Á,	BÁ5BÂBc                 ó*  — g }t        | d«      }|j                  d«      D ]ð  }|j                  dd«      j                  «       }|j	                  d¬«      }|j                  d«      sŒG|j                  d«      sŒYt        |«      d	k  rŒh|j                  d
«      r
t        |z   }n |j                  d«      r|}nt        d
z   |z   }|j                  d«      xs |}t        j                  dd|«      j                  «       }|j                  ||dœ«       Œò |S )u   è§£æž�åˆ—è¡¨é¡µúhtml.parserÚaÚhrefÚ T©Ústripú.shtmlz/zgqxxgk/c114459/é   ú/ÚhttpÚtitlez\s+ú ©r   r.   )r   Úfind_allr   r)   Úget_textÚendswithÚ
startswithÚlenÚBASE_URLÚreÚsubÚappend)ÚhtmlÚitemsÚsoupr%   r&   r   Úfull_urlr.   s           r   Ú
parse_listr>   0   s  € à€EÜ˜˜}Ó-€Dð �]‰]˜3Óò 8ˆØ�u‰u�V˜RÓ ×&Ñ&Ó(ˆØ�z‰z ˆzÓ%ˆð �}‰}˜XÔ&ØØ�‰Ð2Ô3ØÜˆt‹9�qŠ=Øð �?‰?˜3ÔÜ $‘‰HØ�_‰_˜VÔ$Ø‰Hä #‘~¨Ñ,ˆHð —‘�g“Ò& $ˆÜ—‘�v˜s EÓ*×0Ñ0Ó2ˆà�‰˜X°Ñ6Õ7ð18ð4 €Lr   c                 ób  ‡— t        | d«      }d}|j                  d«      }|r|j                  d¬«      }|s'|j                  dd¬«      }|r|j                  d¬«      }d}|j                  d	«      }|r7t        j                  d
|j                  «       «      }|r|j                  d«      }|sL|j                  dd¬«      }	|	r7t        j                  d|	j                  «       «      }|r|j                  d«      }|j                  dd¬«      }
|
s|j                  dd¬«      }
d}|j                  d«      }|r|j                  dd¬«      }g }|
rØ|
j                  d«      D ]Ä  }|j                  dd«      j                  «       Št        ˆfd„dD «       «      sŒ8‰j                  d«      s t        j                  j                  |‰«      Š|j                  d¬«      xs t        j                  j!                  ‰«      }t        ˆfd„|D «       «      rŒ±|j#                  ‰|dœ«       ŒÆ d}|
�r:|
j                  ddg«      D ]  }|j%                  «        Œ t'        «       }|
j                  d«      D ];  }|j                  d¬«      }||v rŒ|j)                  |«       |t+        |«      dz   z  }Œ= t        t+        |
«      d«      }|j                  d«      D ]  }|j%                  «        Œ |j                  d«      }|rAg }|D ](  }|j                  d¬«      }|sŒ|j#                  |«       Œ* dj-                  |«      }n|j                  dd¬«      }t        j.                  dd|«      }|r|d |z   z  }t1        |j                  «       «      d!k  r"d"|› d#|› d$�}|D ]  }|d%|d&   › d'|d(   › d)�z  }Œ ||||fS )*u   è§£æž�è¯¦æƒ…é¡µr$   r'   Ú	ucaptitleTr(   Úh1zarticle-title)Úclass_ÚPUBLISHTIMEz(\d{4}-\d{2}-\d{2})é   Údivz	meta-datau(   ç”Ÿæˆ�æ—¥æœŸ[ï¼š:]\s*(\d{4}-\d{2}-\d{2})zarticle-content-bodyzarticle-contentÚucapcontentz

)Ú	separatorr)   r%   r&   c              3   ó@   •K  — | ]  }‰j                  |«      –— Œ y ­w)N)r3   )Ú.0Úextr&   s     €r   ú	<genexpr>zparse_detail.<locals>.<genexpr>€   s    øè ø€ ò `¨#�4—=‘= ×%ñ `ùs   ƒ)	z.docz.docxz.pdfz.xlsz.xlsxz.zipz.rarz.pptz.pptxr-   c              3   ó.   •K  — | ]  }|d    ‰k(  –— Œ y­w)r   N© )rI   r%   r&   s     €r   rK   zparse_detail.<locals>.<genexpr>…   s   øè ø€ ÒA°˜1˜U™8 tÕ+ÑAùs   ƒr0   ÚscriptÚstyleÚtableÚpz\n{4,}u   

[è¡¨æ ¼]

é   z<p><a href="z">z	</a></p>
u
   
é™„ä»¶: [r.   z](r   ú))r   Úfindr2   r7   ÚsearchÚgroupr1   r   r)   Úanyr4   r   ÚcompatÚurljoinÚosÚpathÚbasenamer9   Ú	decomposeÚsetÚaddÚstrÚjoinr8   r5   )r:   r   r<   r.   ÚucaprA   Úpub_dateÚptÚmÚmeta_divÚcontent_divÚcontentÚucap_cÚattachmentsÚa_tagÚ	att_titleÚtables_htmlÚtagÚseen_tablesrP   ÚtxtÚcontent_div_cleanÚ
paragraphsÚ
para_textsrQ   Úp_textÚattr&   s                              @r   Úparse_detailrv   S   s¹  ø€ ä˜˜}Ó-€Dð €EØ�9‰9�[Ó!€DÙØ—‘ D�Ó)ˆÙØ�Y‰Y�t OˆYÓ4ˆÙØ—K‘K d�KÓ+ˆEð €HØ	�‰�=Ó	!€BÙ	Ü�I‰IÐ,¨b¯k©k«mÓ<ˆÙØ—w‘w˜q“zˆHÙà—9‘9˜U¨;�9Ó7ˆÙÜ—	‘	ÐEÀx×GXÑGXÓGZÓ[ˆAÙØŸ7™7 1›:�ð —)‘)˜EÐ*@�)ÓA€KÙØ—i‘i Ð.?�iÓ@ˆð €GØ�Y‰Y�}Ó%€FÙØ—/‘/¨F¸$�/Ó?ˆð €KÙØ ×)Ñ)¨#Ó.ò 	JˆEØ—9‘9˜V RÓ(×.Ñ.Ó0ˆDÜó `Ø^ô`õ `à—‘ vÔ.Ü#Ÿ?™?×2Ñ2°3¸Ó=�DØ!ŸN™N°˜NÓ6ÒP¼"¿'¹'×:JÑ:JÈ4Ó:P�	ÜÓA°[ÔAÕAØ×&Ñ&¨t¸iÑ'HÕIð	Jð €KÚà×'Ñ'¨°7Ð(;Ó<ò 	ˆCØ�M‰M�Oð	ô “eˆØ ×)Ñ)¨'Ó2ò 	/ˆEØ—.‘. t�.Ó,ˆCØ�kÑ!ØØ�O‰O˜CÔ Øœ3˜u›:¨Ñ.Ñ.‰Kð	/ô *¬#¨kÓ*:¸MÓJÐØ$×-Ñ-¨gÓ6ò 	ˆCØ�M‰M�Oð	ð '×/Ñ/°Ó4ˆ
ÙØˆJØò .�ØŸ™¨$˜Ó/�ÚØ×%Ñ% fÕ-ð.ð —k‘k *Ó-‰Gà'×0Ñ0¸6ÈÐ0ÓNˆGä—&‘&˜ F¨GÓ4ˆáØÐ%¨Ñ3Ñ3ˆô ˆ7�=‰=‹?Ó˜bÒ Ø    R¨ w¨jÐ9ˆØò 	CˆCØ˜ S¨¡\ N°"°S¸±Z°LÀÐBÑB‰Gð	Cð �'˜8 [Ð0Ð0r   c                 óÄ   — |rt        j                  |d¬«      nd}t        t        |«      «      dz  dz   }| j	                  d|||||||||f	«       | j                  «        y )NF)Úensure_asciiz[]é
   rD   uû   
        INSERT OR REPLACE INTO gov_raw 
        (page_url, site_name, source_url, title, publish_date, summary, content, attachments, date_rank, status, category, visits)
        VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, 'published', 'è¡Œæ”¿è®¸å�¯', 0)
    )ÚjsonÚdumpsÚabsÚhashr   Úcommit)	r   Úpage_urlr.   Úsummary_textÚpublish_daterj   Ú	site_nameÚattachments_jsonÚlevels	            r   Úsave_articler…   ¶   sg   € ÙFQ”t—z‘z +¸EÕBÐW[ÐÜ”�X“Ó "Ñ$ qÑ(€EØ‡L�Lð ð �I˜x¨°¸lÈLÐZjÐlqÐ	rô	tð
 	‡K�K…Mr   é   c                 óî  — t        «       }d}d}t        «       }t        | «      D �]¨  }|dk(  rt        }nt        j	                  dd|dz   › d�«      }t        d|dz   › d|› �«       t        |«      }|st        d|dz   › d�«        �nIt        |«      }	|	st        d	«        �n.|	D �
cg c]  }
|
d
   |vsŒ|
‘Œ }}
|	D ]  }
|j                  |
d
   «       Œ t        dt        |	«      › dt        |«      › d�«       |s|dkD  rt        d«        nÄ|D ]¼  }|d
   }|d   }|r$|j                  d|f«      j                  «       }|rŒ3t        d|d d › d�«       t        |«      }|s|dz  }ŒXt        ||«      \  }}}}|rGt        ||||||t        «       |dz  }t        |«      }|rd|› d�nd}t        d|› d|d d › d|› �«       Œ²t        d«       Œ¾ �Œ« |j                  «        t        d|› d|› �«       y c c}
w )Nr   r*   Ú_rD   z[PAGE z] z  [WARN] Page z unreachable, stoppingz  No articles found, stoppingr   z  Found z articles (z new)z  No new items, stoppingr.   z/SELECT page_url FROM gov_raw WHERE page_url = ?z
  [FETCH] é2   z...z +u   é™„ä»¶r'   u       âœ“ saved [u       âœ— empty title, skippedz
[DONE] Total: z articles, Errors: )r   r^   ÚrangeÚLIST_URLÚreplacer   r"   r>   r_   r5   r   Úfetchonerv   r…   Ú	SITE_NAMEÚclose)Ú	max_pagesÚincrementalr   ÚtotalÚerrorsÚ	seen_urlsÚpageÚlist_urlr:   r;   ÚitÚunique_itemsÚitemr   r.   ÚexistingÚdetail_htmlÚdetail_titlerh   rc   rj   Ú	att_countÚatt_strs                          r   ÚcrawlrŸ   Á   sH  € Ü‹9€DØ€EØ€FÜ“€Iä�iÓ ó 57ˆØ�1Š9Ü‰Hä×'Ñ'¨°A°d¸1±f°X¸VÐ2DÓEˆHä��t˜A‘v�h˜b  
Ð+Ô,Ü˜(Ó#ˆÙÜ�N 4¨¡6 (Ð*@ÐAÔBÚä˜4Ó ˆÙÜÐ1Ô3Úà%*ÖI˜r¨b°©i¸yÒ.HšÐIˆÐIØò 	%ˆBØ�M‰M˜"˜U™)Õ$ð	%ä�œ˜U›˜ K´°LÓ0AÐ/BÀ%ÐHÔIáØ�aŠxÜÐ0Ô2Ùà ò 	7ˆDØ�u‘+ˆCØ˜‘MˆEáØŸ<™<ØEÈÀvóç‘(“*ð ñ Øä�J˜u S b˜z˜l¨#Ð.Ô/Ü$ S›/ˆKÙØ˜!‘�Øä;GÈÐUXÓ;YÑ8ˆL˜' 8¨[áÜ˜T 3¨°g¸xÈÔV_Ô`Ø˜‘
�Ü Ó,�	Ù4=˜B˜y˜k¨Ñ0À2�Ü˜¨ z°°LÀÀ"Ð4EÐ3FÀcÈ'ÈÐSÕTäÐ4Õ6ò5	7ð757ðn 	‡J�J„LÜ	Ð˜U˜GÐ#6°v°hÐ
?Õ@ùòO Js   Â&G2Â3G2Ú__main__u'   ç« è´¡åŒºäººæ°‘æ”¿åºœè¡Œæ”¿è®¸å�¯çˆ¬è™«)Údescriptionz--max-pagesu   æœ€å¤§çˆ¬å�–é¡µæ•°)ÚtypeÚdefaultÚhelpz--incrementalÚ
store_trueu   å¢žé‡�æ¨¡å¼�)Úactionr¤   )r�   r‘   )é   )r†   F)Ú__doc__r   r	   r7   r   rZ   rz   r   Úbs4r   r6   r‹   r   rŽ   r   r   r"   r>   rv   r…   rŸ   Ú__name__ÚargparseÚArgumentParserÚparserÚadd_argumentÚintÚ
parse_argsÚargsr�   r‘   rM   r   r   ú<module>r²      sè   ðñó Û Û 	Û 
Û 	Û Ý Ý à#€ØÐ4Ñ4€Ø
€Ø!€	ð DØpØ0ñ€òó
ò òF`1òFó>AðB ˆzÒÛØ$ˆX×$Ñ$Ð1ZÔ[€FØ
×Ñ˜¨C¸ÐAUÐÔVØ
×Ñ˜°À>ÐÔRØ×ÑÓ€DÙ	�D—N‘N°×0@Ñ0@ÖAð r   