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
e0e0f337
提交
e0e0f337
authored
12月 06, 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
重庆市人民政府
上级
175a599c
隐藏空白字符变更
内嵌
并排
正在显示
1 个修改的文件
包含
49 行增加
和
21 行删除
+49
-21
policy-chongqing.py
REITs专题数据/policy-chongqing.py
+49
-21
没有找到文件。
REITs专题数据/policy-chongqing.py
浏览文件 @
e0e0f337
impor
t
json
impor
t
json
...
...
@@ -3,13 +3,18 @@ import time
import
requests
from
bs4
import
BeautifulSoup
from
base
import
BaseCore
import
os
import
pandas
as
pd
import
numpy
as
np
import
BaseCore
baseCore
=
BaseCore
.
BaseCore
()
log
=
baseCore
.
getLogger
()
from
reits
import
Policy
policy
=
Policy
()
topic
=
'policy'
webname
=
'重庆市人民政府'
headers
=
{
'Content-Type'
:
'application/json'
,
'User-Agent'
:
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36 Edg/119.0.0.0'
,
...
...
@@ -112,8 +117,10 @@ def getContent(url):
id
=
url
.
split
(
'policyId='
)[
1
]
contentWithTag
=
getContent_
(
id
)
contentWithTag
=
BeautifulSoup
(
contentWithTag
,
'lxml'
)
policy
.
paserUrl
(
contentWithTag
,
url
)
else
:
soup
=
getSoup
(
url
)
policy
.
paserUrl
(
soup
,
url
)
contentWithTag
=
soup
.
find
(
'div'
,
class_
=
'view'
)
if
not
contentWithTag
:
contentWithTag
=
soup
.
find
(
'div'
,
class_
=
'document'
)
...
...
@@ -131,7 +138,7 @@ def getContent(url):
except
:
pass
content
=
contentWithTag
.
text
.
lstrip
()
.
strip
()
return
content
return
content
,
contentWithTag
def
getData
(
data_
,
num
):
...
...
@@ -139,6 +146,11 @@ def getData(data_, num):
publishDate
=
data_
[
'save_time'
]
origin
=
data_
[
'f_2021325755960'
]
href
=
data_
[
'doc_pub_url'
]
# 根据链接判重
is_member
=
baseCore
.
r
.
sismember
(
'REITs::'
+
webname
,
href
)
if
is_member
:
return
try
:
writtenDate
=
data_
[
'f_202121607647'
]
except
:
...
...
@@ -153,31 +165,47 @@ def getData(data_, num):
pub_hao
=
''
summary
=
data_
[
'f_202142777829'
]
summary
=
BeautifulSoup
(
summary
,
'lxml'
)
.
text
.
lstrip
()
.
strip
()
content
=
getContent
(
href
)
fjtitle_list
=
''
fjhref_list
=
''
data
=
[
num
,
title
,
publishDate
,
origin
,
href
,
writtenDate
,
organ
,
pub_hao
,
summary
,
content
,
fjtitle_list
,
fjhref_list
]
return
data
content
,
contentWithTag
=
getContent
(
href
)
contentWithTag_str
=
str
(
contentWithTag
)
time_now
=
time
.
strftime
(
"
%
Y-
%
m-
%
d
%
H:
%
M:
%
S"
,
time
.
localtime
())
dic_info
=
{
'attachmentIds'
:
[],
'author'
:
''
,
'content'
:
content
,
'contentWithTag'
:
contentWithTag_str
,
'deleteFlag'
:
0
,
'id'
:
''
,
'title'
:
title
,
'publishDate'
:
publishDate
,
'origin'
:
origin
,
'sourceAddress'
:
href
,
'writtenDate'
:
writtenDate
,
'organ'
:
organ
,
'topicClassification'
:
''
,
'issuedNumber'
:
pub_hao
,
'summary'
:
summary
,
'createDate'
:
time_now
,
'sid'
:
'1729045755020103681'
,
}
try
:
baseCore
.
sendkafka
(
dic_info
,
topic
)
baseCore
.
r
.
sadd
(
'REITs::'
+
webname
,
href
)
log
.
info
(
f
'采集成功--{title}--{href}'
)
except
Exception
as
e
:
return
return
def
doJob
():
if
not
os
.
path
.
exists
(
'./相关政策/重庆市人民政府/政策文件'
):
os
.
makedirs
(
'./相关政策/重庆市人民政府/政策文件'
)
total
=
getTotal
()
num
=
1
data_list
=
[]
for
page
in
range
(
1
,
total
+
1
):
data_json
=
getDataJson
(
page
)
for
data_
in
data_json
:
data
=
getData
(
data_
,
num
)
getData
(
data_
,
num
)
num
+=
1
time
.
sleep
(
3
)
data_list
.
append
(
data
)
log
.
info
(
f
'{data[1]}===采集成功'
)
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
(
'./相关政策/重庆市人民政府/重庆市人民政府政策文件.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