Ë
    ¸¬ujq*  ã                   óà  — 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	e	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ad„ Zefd„Zd„ Zd„ Zefd„Zedk(  rbe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)u¬   
é•¿æ±Ÿç½‘ - æ–‡å­—é“¾(æ­¦æ±‰èµ„è®¯/çŽ¯è¯„å…¬ç¤º) çˆ¬è™«
CMS: é•¿æ±Ÿç½‘è‡ªå»ºCMS
åˆ—è¡¨: /wkxw/ (page1: index.htm, pageN: index_N-1.htm)
è¯¦æƒ…: /wkxw/YYYYMM/tXXXXXXXX.htm
é    N)Údatetime)ÚBeautifulSoupúhttp://zx.cjn.cnz/wkxw/u   é•¿æ±Ÿç½‘-æ­¦æ±‰èµ„è®¯u	   æ­¦æ±‰å¸‚z/mnt/data/search.dbéP   z
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_zx_cjn.pyÚ
clean_textr   $   s'   € ÙØÜ�6‰6Ð*¨C°Ó6€DØ�:‰:‹<Ðó    c                 óê  — | syt        | d«      } |ddg«      D ]  }|j                  «        Œ g }|j                  D �]£  }|j                  sŒ|j                  dk(  r'|j	                  d¬«      }|sŒ5|j                  |«       ŒG|j                  dk(  r|j                  t        |«      «       Œq|j                  d	v r„|j                  dd¬
«      D ]:  }|j                  d«      rŒ|j	                  d¬«      }|sŒ*|j                  |«       Œ< |j                  dd¬
«      D ]  }|j                  t        |«      «       Œ �Œ|j                  dk(  s�Œ|j                  dd«      }|j                  dd«      }	|s�Œ<|j                  d«      r)t        «       }
|j                  d«      r|
|dd z   n|
|z   }n|j                  d«      rd|z   }|j                  d|	› d|› d�«       �Œ¦ dj                  |«      S )uF   æ��å�–æ­£æ–‡ï¼Œå�ªå¤„ç�†ç›´æŽ¥å­�å…ƒç´ é�¿å…�é‡�å¤�ï¼Œè¡¨æ ¼ä¿�æŒ�HTMLr   úhtml.parserÚscriptÚstyleÚpT)r   Útable)ÚdivÚsectionÚarticle)Ú	recursiveÚimgÚsrcÚaltú.ú./é   Nú/r   z![z](ú)ú

)r   Ú	decomposeÚchildrenÚnameÚget_textÚappendÚstrÚfind_allÚfind_parentÚgetÚ
startswithÚlist_url_dirÚjoin)Úhtml_contentÚsoupÚtagÚpartsÚchildÚtr   Útblr   r   Údir_parts              r   Úclean_content_htmlr8   +   sÈ  € áØÜ˜ }Ó5€DÙ�X˜wÐ'Ó(ò ˆØ�‰�ðà€EØ—‘ó 1ˆØ�zŠzØØ�:‰:˜ÒØ—‘ T�Ó*ˆAÚØ—‘˜Q•Ø�Z‰Z˜7Ò"Ø�L‰Lœ˜U›Õ$Ø�Z‰ZÐ8Ñ8Ø—^‘^ C°4�^Ó8ò $�Ø—=‘= Ô)ØØ—J‘J T�JÓ*�ÚØ—L‘L •Oð$ð —~‘~ g¸�~Ó>ò '�Ø—‘œS ›XÕ&ò'à�Z‰Z˜5Ô Ø—)‘)˜E 2Ó&ˆCØ—)‘)˜E 2Ó&ˆCÛØ—>‘> #Ô&ä+›~�HØ03·±¸tÔ0D˜( S¨¨ WÒ,È(ÐUXÉ.‘CØ—^‘^ CÔ(Ø,¨sÑ2�CØ—‘˜r #  b¨¨¨QÐ/Ö0ð91ð: �;‰;�uÓÐr   c                  ó&   — t         st        a t         S )N)Úlist_url_dir_cacheÚLIST_URL© r   r   r.   r.   U   s   € åÜ%ÐÜÐr   c           	      óæ  — g }t        | «      D �]9  }|dk(  rt        }nt        d|› d�z   }t        d|dz   › d�d¬«       	 t        j	                  |d	¬
«      }d|_        |j                  dk7  rt        d|j                  › �«        |S 	 t        |j                  d«      }|j                  dd¬«      }|st        d«        |S d}|D �][  }	|	j	                  dd«      }
|
sŒ|	j                  dd¬«      }|rt        |j                  «       «      nd}|s|	j	                  dd«      }|	j                  dd¬«      }d}d}|rz|j                  dd¬«      }|j                  dd¬«      }|r7t        j                  d|j                  «       «      }|r|j!                  d«      }|rt        |j                  «       «      }|
}|
j#                  d«      rt        |
d d z   }n1|
j#                  d!«      rd"|
z   }n|
j#                  d#«      s	t        |
z   }|j%                  ||||d$œ«       |dz  }�Œ^ t        |› d%�«       t'        j(                  d&«       �Œ< |S # t        $ r}t        d|› �«       Y d}~ |S d}~ww xY w)'u$   é��åŽ†æ‰€æœ‰åˆ†é¡µèŽ·å�–æ–‡ç« åˆ—è¡¨r   Úindex_z.htmu     ç¬¬r    u   é¡µ...r	   ©Úendé   ©Útimeoutúutf-8éÈ   zHTTP úERR Nr   ÚaÚa_arc©Úclass_u	   æ— åˆ—è¡¨Úhrefr   r   Úp_titÚtitleÚp_infoÚspanÚ	span_timeÚ	span_infoú(\d{4}-\d{2}-\d{2})r   é   r!   r   Úhttp)ÚurlrM   ÚdateÚsourceu   æ�¡ç333333Ó?)Úranger;   ÚprintÚsessionr,   ÚencodingÚstatus_codeÚ	Exceptionr   r   r*   Úfindr   r'   r
   ÚsearchÚgroupr-   r(   ÚtimeÚsleep)Ú	max_pagesÚ	all_itemsÚpagerU   ÚrÚer1   ÚlinksÚcountrG   rK   rL   rM   rN   rV   rW   Ús_dateÚs_srcÚmÚfull_urls                       r   Ú
fetch_listro   ]   s•  € à€IÜ�iÓ ó BˆØ�1Š9Ü‰Cä˜v d V¨4Ð0Ñ0ˆCÜ��d˜1‘f�X˜VÐ$¨#Õ.ð	Ü—‘˜C¨�Ó,ˆAØ ˆAŒJØ�}‰} Ò#Ü˜˜aŸm™m˜_Ð-Ô.Øðp Ððu $ô ˜QŸV™V ]Ó3ˆØ—‘˜c¨'�Ó2ˆÙÜ�+ÔØð^ Ðð[ ˆØó (	ˆAØ—5‘5˜ Ó$ˆDÙØà—F‘F˜3 w�FÓ/ˆEÙ49”J˜uŸ~™~Ó/Ô0¸rˆEÙØŸ™˜g rÓ*�ð —V‘V˜C¨�VÓ1ˆFØˆDØˆFÙØŸ™ V°K˜Ó@�ØŸ™ F°;˜Ó?�ÙäŸ	™	Ð"8¸&¿/¹/Ó:KÓL�AÙØ Ÿw™w q›z˜ÙÜ'¨¯©Ó(8Ó9�Fð ˆHØ�‰˜tÔ$Ü# d¨1¨2 hÑ.‘Ø—‘ Ô%Ø-°Ñ4‘Ø—_‘_ VÔ,Ü# d™?�à×ÑØØØØ ñ	ô ð �Q‰JŠEðQ(	ôT 	���sˆmÔÜ�
‰
�3ŽðEBðF Ðøôo ò 	Ü�D˜˜�*ÔÜðj Ðûðo	ús   Á AIÉ	I0ÉI+É+I0c           	      ó�  — t        | d«      }d}d}d}d}|j                  dd¬«      }|rt        |j                  «       «      }|j                  dd¬«      }|r7t	        j
                  d|j                  «       «      }	|	r|	j                  d	«      }|j                  dd
¬«      }
|
rEt	        j
                  d|
j                  «       «      }	|	r|	j                  d	«      j                  «       }|j                  dd¬«      }|s|j                  dd¬«      }|r<|j                  g d¢«      D ]  }|j                  «        Œ t        t        |«      «      }|sl|j                  d«      D �cg c]A  }t        t        |j                  «       «      «      dkD  sŒ)t        |j                  «       «      ‘ŒC }}dj                  |«      }||||fS c c}w )u?   è§£æž�è¯¦æƒ…é¡µï¼Œè¿”å›ž (title, publish_date, source, content)r   r   Úh1z	arc-titlerI   rO   zpub-timerR   r    Úsouru   æ�¥æº�[ï¼š:]\s*(.+)r   zarc-mainzart-main)r   r   Úiframer   é   r#   )r   r_   r   r'   r
   r`   ra   r   r*   r$   r8   r)   Úlenr/   )ÚhtmlrU   r1   rM   Úpublish_daterW   Úcontentrq   Ú	date_spanrm   Úsrc_spanÚcontent_divÚunwantedr   Úpss                  r   Úparse_detailr~   §   s   € ä˜˜}Ó-€DØ€EØ€LØ€FØ€Gð 
�‰�4 ˆÓ	,€BÙ	Ü˜2Ÿ;™;›=Ó)ˆð —	‘	˜&¨�	Ó4€IÙÜ�I‰IÐ,¨i×.@Ñ.@Ó.BÓCˆÙØŸ7™7 1›:ˆLð �y‰y˜¨ˆyÓ/€HÙÜ�I‰IÐ,¨h×.?Ñ.?Ó.AÓBˆÙØ—W‘W˜Q“Z×%Ñ%Ó'ˆFð —)‘)˜E¨*�)Ó5€KÙØ—i‘i ¨j�iÓ9ˆÙà#×,Ñ,Ò-JÓKò 	!ˆHØ×ÑÕ ð	!ä$¤S¨Ó%5Ó6ˆñ Ø04·±¸cÓ0BÖi¨1ÄcÌ*ÐUV×U_ÑU_ÓUaÓJbÓFcÐfhÓFhŒj˜Ÿ™›Õ&ÐiˆÐiØ—+‘+˜b“/ˆà�, ¨Ð/Ð/ùò js   Å$*GÆGc                 óB  — | d   j                  dd«      }|xs | d   j                  dd«      }|xs | j                  dd«      }|xs | j                  dt        «      }|j                  dd«      }|j                  dd«      }|dd	 }	t        }
d
|› d|› d|› d|› d|› d|
› d|	› dt        › d�}|dz   }	 t	        j
                  dt        g|ddd¬«      }|j                  dk(  r`|j                  j                  «       }	 t        |j                  «       «      }|dkD  rPd|› d�}t	        j
                  dt        g|ddd¬«       yd|j                  vrt        d|j                  dd	 › �«       y# t        $ r d}Y Œcw xY w# t        $ r}t        d|› �«       Y d}~yd}~ww xY w)u   å†™å…¥gov_raw + FTS gov_searchrU   ú'z''rM   rV   r   rW   NrE   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sqlite3TrA   )ÚinputÚcapture_outputr   rC   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)Úreplacer,   Ú	SITE_NAMEÚGROUPÚ
subprocessÚrunÚDB_PATHÚ
returncodeÚstdoutr   ÚintÚ
ValueErrorÚstderrrZ   r^   )ÚitemÚdetail_titleÚpub_daterW   rx   Úpage_urlrM   rw   Úsource_nameÚsummaryÚ	site_nameÚsql_rawÚcombined_sqlÚresultÚoutÚrowidÚfts_sqlrh   s                     r   Úinsert_articlerœ   Õ   sò  € à�E‰{×"Ñ" 3¨Ó-€HØÒ*˜T '™]×3Ñ3°C¸Ó>€EØÒ3˜tŸx™x¨°Ó3€LØÒ9˜DŸH™H X¬yÓ9€KØ×%Ñ% c¨4Ó0€KØ�o‰o˜c 4Ó(€GØ�D�Sˆk€GÜ€Iðð ˆ*�D˜˜˜t G 9¨D°°¸dÀ8À*ÈDÐQZÐP[Ð[_Ð`gÐ_hÐhlÔmrÐlsð t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   Â3A	E= Ã=E, Ä+E= Å)E= Å,E:Å7E= Å9E:Å:E= Å=	FÆ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        $ r.}
t        d|
› �«       t!        j"                  d«       Y d }
~
�Œ[d }
~
ww xY w)"Nu%   === é•¿æ±Ÿç½‘ - æ–‡å­—é“¾ çˆ¬è™« ===
u   æ— æ–‡ç« åˆ—è¡¨u   
åˆ—è¡¨æ€»è®¡: u    æ�¡r�   z>SELECT page_url FROM gov_raw WHERE page_url LIKE '%zx.cjn.cn%'TrA   )rƒ   r   rC   r   ú
u   å·²çŸ¥URL: rU   r    z  [r!   z] rM   é2   z...r	   r?   rB   rD   rF   u   SKIP æ— æ­£æ–‡zOK (u   å­—)u   SKIP (é‡�å¤�æˆ–å…¥åº“å¤±è´¥)rX   u   
ç»“æžœ: æ–°å¢ž u    æ�¡, è·³è¿‡ u   === å®Œæˆ� ===)rZ   ro   ru   Úsetr‡   rˆ   r‰   rŠ   r‹   r   Úsplitr^   Ú	enumerater[   r,   r\   rb   rc   r~   r   rœ   )rd   ÚarticlesÚ
known_urlsr˜   ÚaddedÚskippedÚirG   rU   rg   rh   Úd_titleÚd_dateÚd_sourcerx   s                  r   Úmainr«     sC  € Ü	Ð2Ô4ô ˜)Ó$€HÙÜÐÔ ØÜ	ÐœS ›]˜O¨4Ð
0Ô1ô “€JðÜ—‘ØœÐ!aÐbØ 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*ð €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1ä�
‰
�3�ð9ô< 
Ð˜e˜W M°'°¸$Ð
?Ô@Ü	Ð
ÕøôM 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__r    z--pages=ú=)rd   )%Ú__doc__r
   Úsysrb   r‡   r   ÚrequestsÚbs4r   ÚBASE_URLr;   r…   r†   r‰   ÚTOTAL_PAGESÚHEADERSÚSessionr[   ÚheadersÚupdater   r8   r:   r.   ro   r~   rœ   r«   Ú__name__Úpagesru   ÚargvÚargr-   rŒ   r¡   r�   r<   r   r   ú<module>r¼      s:  ðñó 
Û 
Û Û Ý ã Ý ð €Ø�hÑ€Ø$€	Ø€Ø
€Ø€ð ð  Dð€ð ˆ(×
Ñ
Ó
€Ø ‡�× Ñ �wÔ òò%ðP Ð òð %ó FòT*0ò\)ðZ ó 9ðx 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-