Ë
    9JŠjù(  ã                   óÐ  — 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ZddlmZ ddl	m
Z
  ej                  ej                  j                  «       dZd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j6                  d¬«      Zej;                  dedd¬«       ej;                  ddd¬«       ej?                  «       Z  ee jB                  e jD                  ¬«       yy)!u½   æ­£é•¶ç™½æ——äººæ°‘æ”¿åºœ - é€šçŸ¥å…¬å‘Šçˆ¬è™«
ç«™ç‚¹: www.zxbq.gov.cn (æ­£é•¶ç™½æ——)
æ �ç›®: /zxbq/zwgk/zfxxgk/fdzdgknr/tzgg/ (é€šçŸ¥å…¬å‘Š)
CMS: Huilan (eportal/aisite) é�™æ€�é¡µé�¢åˆ†é¡µ
é    N)Údatetime)ÚBeautifulSoupzhttps://www.zxbq.gov.cnz /zxbq/zwgk/zfxxgk/fdzdgknr/tzgg/z/root/search.dbzwww.zxbq.gov.cn-tzggzoMozilla/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                  óZ   — t        j                  t        «      } | j                  d«       | S )NzPRAGMA journal_mode=WAL)Úsqlite3ÚconnectÚDB_PATHÚexecute)Úconns    ú$/root/gov_crawler/crawl_zxbq_tzgg.pyÚinit_dbr   !   s"   € Ü�?‰?œ7Ó#€DØ‡L�LÐ*Ô+Ø€Kó    c                 óB  — 	 t        j                  | t        |d¬«      }d|_        |j                  dk(  r|j
                  S t        d|j                  › d| › �t        j                  ¬«       y # t        $ r(}t        d|› �t        j                  ¬«       Y d }~y d }~ww xY w)	NF)ÚheadersÚtimeoutÚverifyz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#   '   sˆ   € ð	Ü�|‰|˜C¬¸'È%ÔPˆ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Á6BÂBc                 ó   — g }t        | d«      }|j                  dd¬«      }|s|j                  dd„ ¬«      }|s|j                  d«      }|r|}|r |j                  dk7  r|j                  d«      n|}|st        dt        j
                  ¬«       |S |j                  d	d
¬«      D �]U  }|j                  d«      }|r|j                  d«      sŒ)|d   j                  «       }|j                  d«      r
t        |z   }n"|j                  d«      rnt        t        z   |z   }|j                  d«      xs |j                  d¬«      xs dj                  «       }t        j                  dd|«      }t        j                  dd|«      j                  «       }|sŒï|j                  d«      }	|	r|	j                  d¬«      nd}
t        j                  d|
«      }|r|j!                  d«      nd}
|j#                  |||
dœ«       �ŒX |S )u2   è§£æž�åˆ—è¡¨é¡µï¼Œè¿”å›ž (url, title, date) åˆ—è¡¨úhtml.parserÚdivÚcon_wrap_list©Úclass_Úulc                 ó,   — | r| xr dt        | «      v S dS )NÚcon_wrapF)Ústr)Úcs    r   ú<lambda>zparse_list.<locals>.<lambda>=   s   € ÑRS°AÒ4N¸*ÌÈAËÐ:N€ ÐY^€ r   z&  [WARN] ul not found in con_wrap_listr   ÚliF)Ú	recursiveÚaÚhrefú/ÚhttpÚtitleT©ÚstripÚ z\s+ú z\.\.\.$Úspanú(\d{4}-\d{2}-\d{2})é   )r    r6   Úpub_date)r   ÚfindÚnamer   r   r   Úfind_allr   r8   Ú
startswithÚBASE_URLÚ	LIST_PATHÚget_textÚreÚsubÚsearchÚgroupÚappend)ÚhtmlÚitemsÚsoupÚlist_divr*   r0   r2   r3   r6   Ú	date_spanr>   Ú
date_matchs               r   Ú
parse_listrQ   4   sÎ  € à€EÜ˜˜}Ó-€Dð �y‰y˜ ˆyÓ7€HÙà—9‘9˜TÑ*^�9Ó_ˆÙà�Y‰Y�t‹_ˆÙØˆHñ !)¨X¯]©]¸dÒ-Bˆ�‰�tÔ	È€BÙÜÐ6¼S¿Z¹ZÕHØˆà�k‰k˜$¨%ˆkÓ0ó JˆØ�G‰G�C‹LˆÙ˜Ÿ™˜fœØà�‰y�‰Ó ˆà�?‰?˜3ÔÜ˜d‘?‰DØ�_‰_˜VÔ$ØäœiÑ'¨$Ñ.ˆDð —‘�w“Ò? 1§:¡:°D :Ó#9Ò?¸R×FÑFÓHˆÜ—‘�v˜s EÓ*ˆÜ—‘�z 2 uÓ-×3Ñ3Ó5ˆÙØð —G‘G˜F“Oˆ	Ù5>�9×%Ñ%¨DÐ%Ô1ÀBˆÜ—Y‘YÐ5°xÓ@ˆ
Ù*4�:×#Ñ# AÔ&¸"ˆà�‰˜T¨E¸xÑHÖIð7Jð: €Lr   c                 óœ  ‡ — t        | d«      }|j                  d«      }|r|j                  d¬«      nd}|sL|j                  d«      }|r9|j                  d¬«      }t        j                  dd|«      }|j                  «       }d}|j                  dd	¬
«      }|r7t        j                  d|j                  «       «      }	|	r|	j                  d«      }|j                  dd¬
«      }
|
s|j                  dd¬
«      }
g }|j                  d«      }|D ]ª  }|j                  sŒd|j                  v sŒt        j                  d|j                  «      D ]i  }|j                  d«      }|j                  d«      }|j                  d«      s t        j                  j                  ||«      }|j                  ||dœ«       Œk Œ¬ d}d}|
�rH|
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$        j&                  j)                  ‰ «      }t#        ˆ fd„|D «       «      rŒ±|j                  ‰ |dœ«       ŒÆ |
j                  ddg«      D ]  }|j+                  «        Œ t-        «       }|
j                  d«      D ]g  }|j                  d«      }|rt#        d„ |D «       «      nd}|s|sŒ/|j                  d¬«      }||v rŒF|j/                  |«       |t1        |«      d z   z  }Œi t        t1        |
«      d«      }|j                  d«      D ]  }|j+                  «        Œ |j                  d«      }|rAg }|D ](  }|j                  d¬«      }|sŒ|j                  |«       Œ* d j3                  |«      }n|j                  d d¬!«      }t        j                  d"d |«      }|r|d#|z   z  }t5        |j                  «       «      d$k  r"d%|› d&|› d'�}|D ]  }|d(|d   › d)|d*   › d+�z  }Œ ||||fS ),u3   è§£æž�è¯¦æƒ…é¡µ - æ ‡é¢˜ã€�æ­£æ–‡ã€�æ—¥æœŸã€�é™„ä»¶r%   Úh1Tr7   r9   r6   u&   \s*[-_|]\s*æ­£é•¶ç™½æ——äººæ°‘æ”¿åºœ.*$Úpzeasysite-news-describer(   r<   r=   r&   Ú
TRS_EditorÚBuXiTextÚscriptÚattachHuilanMediaArrayzCattachHuilanMediaArray\.push\(\{src:\'([^\']+)\',title:\'([^\']+)\'é   r5   )r    r6   r2   r3   c              3   ó@   •K  — | ]  }‰j                  |«      –— Œ y ­w)N)Úendswith)Ú.0Úextr3   s     €r   ú	<genexpr>zparse_detail.<locals>.<genexpr>š   s    øè ø€ ò `¨#�4—=‘= ×%ñ `ùs   ƒ)	z.docz.docxz.pdfz.xlsz.xlsxz.zipz.rarz.pptz.pptxc              3   ó.   •K  — | ]  }|d    ‰k(  –— Œ y­w)r    N© )r\   r2   r3   s     €r   r^   zparse_detail.<locals>.<genexpr>Ÿ   s   øè ø€ ÒA°˜1˜U™8 tÕ+ÑAùs   ƒÚstyleÚtableÚtrc              3   óV   K  — | ]!  }t        |j                  d «      «      dk\  –— Œ# y­w)Útdé   N)ÚlenrA   )r\   Úrows     r   r^   zparse_detail.<locals>.<genexpr>ª   s#   è ø€ ÒH¸Cœ3˜sŸ|™|¨DÓ1Ó2°aÕ7ÑHùs   ‚')Fz

)Ú	separatorr8   z\n{4,}u   

[è¡¨æ ¼]

é   z<p><a href="z">z	</a></p>
u
   
é™„ä»¶: [z](r    ú))r   r?   rE   rF   rG   r8   rH   rI   rA   ÚstringÚfinditerrB   r   ÚcompatÚurljoinrJ   r   ÚanyÚosÚpathÚbasenameÚ	decomposeÚsetÚaddr-   Újoinrg   )!rK   r    rM   rS   r6   Ú	title_tagÚtr>   Údate_prP   Úcontent_divÚattachmentsÚscript_tagsrW   ÚmatchÚatt_urlÚ	att_titleÚcontentÚtables_htmlÚa_tagÚtagÚ
seen_textsrb   ÚrowsÚhas_dataÚtxtÚcontent_div_cleanÚ
paragraphsÚ
para_textsrT   Úp_textÚattr3   s!                                   @r   Úparse_detailrŽ   j   sD  ø€ ä˜˜}Ó-€Dð 
�‰�4‹€BÙ')ˆB�K‰K˜dˆKÔ#¨r€EÙØ—I‘I˜gÓ&ˆ	ÙØ×"Ñ"¨Ð"Ó.ˆAÜ—‘Ð@À"ÀaÓHˆAØ—G‘G“IˆEð €HØ�Y‰Y�sÐ#;ˆYÓ<€FÙÜ—Y‘YÐ5°v·±Ó7HÓIˆ
ÙØ!×'Ñ'¨Ó*ˆHð —)‘)˜E¨,�)Ó7€KÙØ—i‘i ¨j�iÓ9ˆð €Kð —-‘- Ó)€KØò IˆØ�=‹=Ð5¸¿¹ÒFÜŸ™Ð%kØ%+§]¡]ó4ò I�àŸ+™+ a›.�Ø!ŸK™K¨›N�	Ø×)Ñ)¨&Ô1Ü&Ÿo™o×5Ñ5°c¸7ÓC�GØ×"Ñ"¨7¸YÑ#GÕHñIðIð €GØ€KÚà ×)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 ×'Ñ'¨°7Ð(;Ó<ò 	ˆCØ�M‰M�Oð	ô “Uˆ
Ø ×)Ñ)¨'Ó2ò 		/ˆEØ—>‘> $Ó'ˆDÙLP”sÑHÀ4ÔHÔHÐV[ˆHÙ¡DØØ—.‘. t�.Ó,ˆCØ�jÑ ØØ�N‰N˜3ÔØœ3˜u›:¨Ñ.Ñ.‰Kð		/ô *¬#¨kÓ*:¸MÓJÐØ$×-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ÙØÐ)¨KÑ7Ñ7ˆGô 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
   r=   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', 'é€šçŸ¥å…¬å‘Š', 0)
    )ÚjsonÚdumpsÚabsÚhashr
   Úcommit)	r   Úpage_urlr6   Úsummary_textÚpublish_dater|   Ú	site_nameÚattachments_jsonÚlevels	            r   Úsave_articler�   Ð   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                 ó(  — t        «       }d}d}t        «       }t        | «      D �]Å  }|dk(  rt        t        z   dz   }nt        t        z   d|dz   › d�z   }t        d|dz   › d|› �«       t        |«      }|st        d|dz   › d	�«        �nbt        |«      }	|	st        d
«        �nG|	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«        nÝ|D ]Õ  }|d   }|d   }|d   }|r$|j                  d|f«      j                  «       }|rŒ8t        d|d d › d�«       t        |«      }|s|dz  }t        d|› �«       Œkt        ||«      \  }}}}|s|r|}|rGt        ||||||t        «       |dz  }t        |«      }|rd|› d�nd}t        d|› d|d d › d|› �«       ŒËt        d«       Œ× �ŒÈ |j                  «        t        d|› d|› �«       y c c}
w )Nr   z
index.htmlz	c92754c6-r=   z.htmlz[PAGE z] z  [WARN] Page z unreachable, stoppingz  No articles found, stoppingr    z  Found z articles (z new)z  No new items, stoppingr6   r>   z/SELECT page_url FROM gov_raw WHERE page_url = ?z
  [FETCH] é2   z...z#  [ERROR] detail page unreachable: z +u   é™„ä»¶r9   u       âœ“ saved [u       âœ— empty title, skippedz
[DONE] Total: z articles, Errors: )r   ru   ÚrangerC   rD   r   r#   rQ   rv   rg   r
   ÚfetchonerŽ   r�   Ú	SITE_NAMEÚclose)Ú	max_pagesÚincrementalr   ÚtotalÚerrorsÚ	seen_urlsÚpageÚlist_urlrK   rL   ÚitÚunique_itemsÚitemr    r6   Ú	list_dateÚexistingÚdetail_htmlÚdetail_titler�   r>   r|   Ú	att_countÚatt_strs                           r   Úcrawlrµ   Û   su  € Ü‹9€DØ€EØ€FÜ“€Iä�iÓ ó :7ˆØ�1Š9Ü¤)Ñ+¨lÑ:‰Hä¤)Ñ+°	¸$¸q¹&¸ÀÐ.GÑGˆHä��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ð &+ÖI˜r¨b°©i¸yÒ.HšÐIˆÐIØò 	%ˆBØ�M‰M˜"˜U™)Õ$ð	%ä�œ˜U›˜ K´°LÓ0AÐ/BÀ%ÐHÔIáØ�aŠxÜÐ0Ô2Ùà ò 	7ˆDØ�u‘+ˆCØ˜‘MˆEØ˜ZÑ(ˆIáØŸ<™<ØEÈÀvóç‘(“*ð ñ Øä�J˜u S b˜z˜l¨#Ð.Ô/Ü$ S›/ˆKÙØ˜!‘�ÜÐ;¸C¸5ÐAÔBØä;GÈÐUXÓ;YÑ8ˆL˜' 8¨[Ù¡	Ø$�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6ò=	7ð9:7ðx 	‡J�J„LÜ	Ð˜U˜GÐ#6°v°hÐ
?Õ@ùòW Js   Â*HÂ7HÚ__main__u*   æ­£é•¶ç™½æ——äººæ°‘æ”¿åºœé€šçŸ¥å…¬å‘Šçˆ¬è™«)Údescriptionz--max-pagesu   æœ€å¤§çˆ¬å�–é¡µæ•°)ÚtypeÚdefaultÚhelpz--incrementalÚ
store_trueu   å¢žé‡�æ¨¡å¼�)Úactionrº   )r¥   r¦   )é   )rž   F)#Ú__doc__r   r   rF   r   rq   r’   Úurllib3r   Úbs4r   Údisable_warningsÚ
exceptionsÚInsecureRequestWarningrC   rD   r	   r£   r   r   r#   rQ   rŽ   r�   rµ   Ú__name__ÚargparseÚArgumentParserÚparserÚadd_argumentÚintÚ
parse_argsÚargsr¥   r¦   r`   r   r   ú<module>rÌ      s  ðñó Û Û 	Û 
Û 	Û Û Ý Ý à €× Ñ ˜×+Ñ+×BÑBÔ Cð %€Ø.€	Ø
€Ø"€	ð DØpØ0ñ€òó
ò3òlc1òLóCAðL ˆzÒÛØ$ˆX×$Ñ$Ð1]Ô^€FØ
×Ñ˜¨C¸ÐAUÐÔVØ
×Ñ˜°À>ÐÔRØ×ÑÓ€DÙ	�D—N‘N°×0@Ñ0@ÖAð r   