Skip to content
项目
群组
代码片段
帮助
当前项目
正在载入...
登录 / 注册
切换导航面板
Z
zzsn_spider
概览
概览
详情
活动
周期分析
版本库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
统计图
问题
0
议题
0
列表
看板
标记
里程碑
合并请求
1
合并请求
1
CI / CD
CI / CD
流水线
作业
日程表
图表
维基
Wiki
代码片段
代码片段
成员
成员
折叠边栏
关闭边栏
活动
图像
聊天
创建新问题
作业
提交
问题看板
Open sidebar
丁双波
zzsn_spider
Commits
06d190ff
提交
06d190ff
authored
11月 30, 2023
作者:
薛凌堃
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
山西省人民政府
上级
639117a7
显示空白字符变更
内嵌
并排
正在显示
1 个修改的文件
包含
56 行增加
和
25 行删除
+56
-25
policy-shanxi.py
REITs专题数据/policy-shanxi.py
+56
-25
没有找到文件。
REITs专题数据/policy-shanxi.py
浏览文件 @
06d190ff
impor
t
os
impor
t
os
import
os
import
time
from
urllib.parse
import
urljoin
import
numpy
as
np
import
pandas
as
pd
import
requests
from
bs4
import
BeautifulSoup
from
base
import
BaseCore
import
BaseCore
baseCore
=
BaseCore
.
BaseCore
()
log
=
baseCore
.
getLogger
()
from
reits
import
Policy
policy
=
Policy
()
topic
=
'policy'
webname
=
'山西省人民政府'
headers
=
{
'Accept'
:
'application/json, text/plain, */*'
,
'Accept-Encoding'
:
'gzip, deflate'
,
...
...
@@ -74,8 +81,7 @@ def getFjContent(url):
def
getContent
(
num
,
data
):
fjhref_list
=
''
fjtitle_list
=
''
id_list
=
[]
title
=
data
[
'title'
]
pub_hao
=
data
[
'docno'
]
origin
=
data
[
'sitedesc'
]
...
...
@@ -84,6 +90,10 @@ def getContent(num, data):
writtenDate
=
data
[
'scrq'
]
summary
=
BeautifulSoup
(
data
[
'zc_doccontent'
],
'html.parser'
)
.
text
.
lstrip
()
.
strip
()
url
=
data
[
'docpuburl'
]
# 根据链接判重
is_member
=
baseCore
.
r
.
sismember
(
'REITs::'
+
webname
,
url
)
if
is_member
:
return
url_
=
url
.
split
(
'/'
)[
-
1
]
soup
=
getSoup
(
url
)
soup
=
paserUrl
(
soup
,
url
.
replace
(
url_
,
''
))
...
...
@@ -102,44 +112,65 @@ def getContent(num, data):
style
.
decompose
()
except
:
pass
content
=
contentWithTag
.
text
.
lstrip
()
.
strip
()
a_list
=
contentWithTag
.
find_all
(
'a'
)
for
a
in
a_list
:
href
=
a
.
get
(
'href'
)
fjhref_list
+=
href
+
'
\n
'
category
=
os
.
path
.
splitext
(
href
)[
1
]
fj_title
=
f
'{num}-{publishDate}-{a.text.lstrip().strip()}'
fj_title
=
a
.
text
.
lstrip
()
if
'<'
in
fj_title
or
'>'
in
fj_title
:
fj_title
=
fj_title
.
replace
(
'<'
,
''
)
.
replace
(
'>'
,
''
)
if
category
not
in
fj_title
:
fj_title
=
fj_title
+
category
fjtitle_list
+=
fj_title
+
'
\n
'
fjcontent
=
getFjContent
(
href
)
file
=
f
'./相关政策/山西省人民政府/政策文件/{fj_title}'
with
open
(
file
,
'wb'
)
as
f
:
f
.
write
(
fjcontent
)
log
.
info
(
f
'{fj_title}===附件下载成功'
)
content
=
contentWithTag
.
text
.
lstrip
()
.
strip
()
data_
=
[
num
,
title
,
writtenDate
,
origin
,
url
,
publishDate
,
organ
,
pub_hao
,
summary
,
content
,
fjtitle_list
,
fjhref_list
]
return
data_
att_id
,
full_path
=
policy
.
attuributefile
(
fj_title
,
href
,
num
,
publishDate
)
if
att_id
:
id_list
.
append
(
att_id
)
a
[
'href'
]
=
full_path
contentWithTag_str
=
str
(
contentWithTag
)
time_now
=
time
.
strftime
(
"
%
Y-
%
m-
%
d
%
H:
%
M:
%
S"
,
time
.
localtime
())
dic_info
=
{
'attachmentIds'
:
id_list
,
'author'
:
''
,
'content'
:
content
,
'contentWithTag'
:
contentWithTag_str
,
'deleteFlag'
:
0
,
'id'
:
''
,
'title'
:
title
,
'publishDate'
:
publishDate
,
'origin'
:
origin
,
'sourceAddress'
:
url
,
'writtenDate'
:
writtenDate
,
'organ'
:
organ
,
'topicClassification'
:
''
,
'issuedNumber'
:
pub_hao
,
'summary'
:
summary
,
'createDate'
:
time_now
,
'sid'
:
'1729041791539326977'
,
}
try
:
baseCore
.
sendkafka
(
dic_info
,
topic
)
baseCore
.
r
.
sadd
(
'REITs::'
+
webname
,
url
)
log
.
info
(
f
'采集成功--{title}--{url}'
)
except
:
for
att_id
in
id_list
:
baseCore
.
deliteATT
(
att_id
)
return
def
doJob
():
if
not
os
.
path
.
exists
(
'./相关政策/山西省人民政府/政策文件'
):
os
.
makedirs
(
'./相关政策/山西省人民政府/政策文件'
)
num
=
1
data_list
=
[]
#
data_list = []
pageSize
=
getPageSize
()
for
page
in
range
(
1
,
pageSize
+
1
):
data_json
=
getJson
(
page
)
for
i
in
range
(
len
(
data_json
)):
if
data_json
[
i
][
'chnldesc'
]
==
'政策文件'
:
data
=
getContent
(
num
,
data_json
[
i
])
data_list
.
append
(
data
)
log
.
info
(
f
'{data[1]}===采集成功'
)
getContent
(
num
,
data_json
[
i
])
num
+=
1
df
=
pd
.
DataFrame
(
np
.
array
(
data_list
))
df
.
columns
=
[
'序号'
,
'标题'
,
'发布时间'
,
'来源'
,
'原文链接'
,
'发文时间'
,
'发文机构'
,
'发文字号'
,
'摘要'
,
'正文'
,
'附件名称'
,
'附件连接'
]
df
.
to_excel
(
'./山西省人民政府政策文件.xlsx'
,
index
=
False
)
if
__name__
==
'__main__'
:
...
...
编写
预览
Markdown
格式
0%
重试
或
添加新文件
添加附件
取消
您添加了
0
人
到此讨论。请谨慎行事。
请先完成此评论的编辑!
取消
请
注册
或者
登录
后发表评论