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
0
合并请求
0
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
王景浩
zzsn_spider
Commits
78a94cdb
提交
78a94cdb
authored
12月 04, 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
上海市人民政府
上级
69ba202a
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
62 行增加
和
27 行删除
+62
-27
policy-shanghai.py
REITs专题数据/policy-shanghai.py
+62
-27
没有找到文件。
REITs专题数据/policy-shanghai.py
浏览文件 @
78a94cdb
impor
t
json
impor
t
json
...
...
@@ -8,10 +8,17 @@ import requests
from
bs4
import
BeautifulSoup
from
selenium.webdriver.common.by
import
By
from
base
import
BaseCore
import
BaseCore
baseCore
=
BaseCore
.
BaseCore
()
log
=
baseCore
.
getLogger
()
from
reits
import
Policy
policy
=
Policy
()
topic
=
'policy'
webname
=
'上海市人民政府'
headers
=
{
'Accept'
:
'*/*'
,
'Accept-Encoding'
:
'gzip, deflate, br'
,
...
...
@@ -54,17 +61,21 @@ def getFjContent(url):
def
getData
(
data_
,
driver
,
num
):
fjhref_list
=
''
fjtitle_list
=
''
id_list
=
[]
title
=
data_
[
'title'
][
'raw'
]
publishDate
=
data_
[
'date'
][
'raw'
]
origin
=
'上海市人民政府'
href
=
data_
[
'url'
][
'raw'
]
# 根据链接判重
is_member
=
baseCore
.
r
.
sismember
(
'REITs::'
+
webname
,
href
)
if
is_member
:
return
organ
=
data_
[
'fwjg'
][
'raw'
]
pub_hao
=
data_
[
'wh'
][
'raw'
]
summary
=
data_
[
'content'
][
'snippet'
]
driver
.
get
(
href
)
time
.
sleep
(
1
)
contentWithTag
=
driver
.
find_element
(
By
.
CLASS_NAME
,
'Article_content'
)
content
=
driver
.
find_element
(
By
.
CLASS_NAME
,
'Article_content'
)
.
text
.
lstrip
()
.
strip
()
timeTag
=
driver
.
find_element
(
By
.
CLASS_NAME
,
'PBtime'
)
.
text
try
:
...
...
@@ -76,47 +87,71 @@ def getData(data_, driver, num):
except
:
writtenDate
=
timeTag
.
split
(
'印发日期:'
)[
1
]
.
lstrip
()
.
strip
()
except
:
writtenDate
=
''
writtenDate
=
None
try
:
a_list
=
driver
.
find_element
(
By
.
CLASS_NAME
,
'gaoj-list'
)
.
find_elements
(
By
.
TAG_NAME
,
'a'
)
for
a
in
a_list
:
fj_href
=
a
.
get_attribute
(
'href'
)
fjhref_list
+=
fj_href
+
'
\n
'
category
=
os
.
path
.
splitext
(
href
)[
1
]
fj_title
=
f
'{num}-{publishDate}-{a.text.lstrip().strip()}'
category
=
os
.
path
.
splitext
(
fj_
href
)[
1
]
fj_title
=
a
.
text
.
lstrip
()
.
strip
()
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/内蒙古自治区人民政府/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')
att_id
,
full_path
=
policy
.
attuributefile
(
fj_title
,
fj_href
,
num
,
publishDate
)
if
att_id
:
id_list
.
append
(
att_id
)
a
[
'href'
]
=
full_path
else
:
pass
except
:
pass
data
=
[
num
,
title
,
publishDate
,
origin
,
href
,
writtenDate
,
organ
,
pub_hao
,
summary
,
content
,
fjtitle_list
,
fjhref_list
]
return
data
# data = [num, title, publishDate, origin, href, writtenDate, organ, pub_hao, summary, content, fjtitle_list,
# fjhref_list]
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'
:
href
,
'writtenDate'
:
writtenDate
,
'organ'
:
organ
,
'topicClassification'
:
''
,
'issuedNumber'
:
pub_hao
,
'summary'
:
summary
,
'createDate'
:
time_now
,
'sid'
:
'1729042751554506754'
,
}
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
:
for
att_id
in
id_list
:
baseCore
.
deliteATT
(
att_id
)
return
def
doJob
():
if
not
os
.
path
.
exists
(
'./相关政策/上海市人民政府/政策文件'
):
os
.
makedirs
(
'./相关政策/上海市人民政府/政策文件'
)
driver
=
baseCore
.
build
Driver
()
data_list
=
[]
# driver = baseCore.buildDriver(
)
driver
=
policy
.
create
Driver
()
num
=
1
data_json
=
getDataJson
()
for
data_
in
data_json
:
data
=
getData
(
data_
,
driver
,
num
)
log
.
info
(
f
'{data[1]}===采集成功'
)
data_list
.
append
(
data
)
#
log.info(f'{data[1]}===采集成功')
#
data_list.append(data)
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
(
'./相关政策/上海市人民政府/上海市人民政府政策文件.xlsx'
,
index
=
False
)
if
__name__
==
'__main__'
:
doJob
()
...
...
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