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
ecb8098f
提交
ecb8098f
authored
10月 19, 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
企业年报入库
上级
605e48d4
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
13 行增加
和
7 行删除
+13
-7
report.py
comData/annualReport1014/report.py
+13
-7
没有找到文件。
comData/annualReport1014/report.py
浏览文件 @
ecb8098f
...
@@ -29,7 +29,7 @@ type_id = 1
...
@@ -29,7 +29,7 @@ type_id = 1
create_by
=
'XueLingKun'
create_by
=
'XueLingKun'
taskType
=
'企业年报'
taskType
=
'企业年报'
#付俊雪的需要改为巨潮资讯网1_福布斯2000_PDF_60_付
#付俊雪的需要改为巨潮资讯网1_福布斯2000_PDF_60_付
file_path
=
'D:
\\
BaiduNetdiskDownload
\\
1_福布斯2000_PDF_60_付
'
file_path
=
'D:
\\
年报
\\
失败
'
log
.
info
(
f
'=============当前pid为{baseCore.getPID()}=============='
)
log
.
info
(
f
'=============当前pid为{baseCore.getPID()}=============='
)
def
sendKafka
(
dic_news
):
def
sendKafka
(
dic_news
):
...
@@ -91,6 +91,7 @@ def uptoOBS(retData, pathType, taskType, start_time,file_name,pdf_path):
...
@@ -91,6 +91,7 @@ def uptoOBS(retData, pathType, taskType, start_time,file_name,pdf_path):
'full_path'
:
full_path
,
'full_path'
:
full_path
,
'category'
:
category
,
'file_size'
:
file_size
,
'status'
:
status
,
'create_by'
:
create_by
,
'category'
:
category
,
'file_size'
:
file_size
,
'status'
:
status
,
'create_by'
:
create_by
,
'create_time'
:
create_time
,
'page_size'
:
page_size
,
'content'
:
content
}
'create_time'
:
create_time
,
'page_size'
:
page_size
,
'content'
:
content
}
try
:
try
:
result
=
getOBSres
(
pathType
,
file_name
,
pdf_path
)
result
=
getOBSres
(
pathType
,
file_name
,
pdf_path
)
except
:
except
:
...
@@ -128,7 +129,9 @@ if __name__=='__main__':
...
@@ -128,7 +129,9 @@ if __name__=='__main__':
file_rank
=
int
(
file
.
split
(
'-'
)[
0
])
file_rank
=
int
(
file
.
split
(
'-'
)[
0
])
file_year
=
file
.
split
(
'-'
)[
1
]
file_year
=
file
.
split
(
'-'
)[
1
]
if
file_year
==
'2023'
:
print
(
pdf_path
)
continue
#file_rank 对应上企业信用代码
#file_rank 对应上企业信用代码
selectsql
=
f
"select * from rankandcode where id = {file_rank}"
selectsql
=
f
"select * from rankandcode where id = {file_rank}"
cursor
.
execute
(
selectsql
)
cursor
.
execute
(
selectsql
)
...
@@ -137,8 +140,9 @@ if __name__=='__main__':
...
@@ -137,8 +140,9 @@ if __name__=='__main__':
social_code
=
data
[
1
]
social_code
=
data
[
1
]
ename
=
data
[
2
]
ename
=
data
[
2
]
cname
=
data
[
3
]
cname
=
data
[
3
]
file_name
=
c
name
+
':'
+
file_year
+
'年年度报告'
+
'.pdf'
file_name
=
e
name
+
':'
+
file_year
+
'年年度报告'
+
'.pdf'
content
=
''
content
=
''
origin
=
ename
+
'官网'
#解析文件页数和内容
#解析文件页数和内容
log
.
info
(
f
"-----------正在处理{file_name}--------------"
)
log
.
info
(
f
"-----------正在处理{file_name}--------------"
)
with
open
(
pdf_path
,
'rb'
)
as
file
:
with
open
(
pdf_path
,
'rb'
)
as
file
:
...
@@ -153,7 +157,7 @@ if __name__=='__main__':
...
@@ -153,7 +157,7 @@ if __name__=='__main__':
content
+=
page
.
get_text
()
content
+=
page
.
get_text
()
# print(content)
# print(content)
except
Exception
as
e
:
except
Exception
as
e
:
log
.
info
(
f
'文件已损坏:{
c
name}'
)
log
.
info
(
f
'文件已损坏:{
e
name}'
)
continue
continue
#解析文件大小
#解析文件大小
file_size
=
os
.
path
.
getsize
(
pdf_path
)
file_size
=
os
.
path
.
getsize
(
pdf_path
)
...
@@ -180,12 +184,12 @@ if __name__=='__main__':
...
@@ -180,12 +184,12 @@ if __name__=='__main__':
'id'
:
''
,
'id'
:
''
,
'keyWords'
:
''
,
'keyWords'
:
''
,
'lang'
:
'zh'
,
'lang'
:
'zh'
,
'origin'
:
'巨潮资讯网'
,
'origin'
:
origin
,
'publishDate'
:
file_year
+
'-12-31'
,
'publishDate'
:
file_year
+
'-12-31'
,
'sid'
:
'1684032033495392257'
,
'sid'
:
'1684032033495392257'
,
'sourceAddress'
:
''
,
# 原文链接
'sourceAddress'
:
''
,
# 原文链接
'summary'
:
''
,
'summary'
:
''
,
'title'
:
file_name
,
'title'
:
file_name
.
replace
(
'.pdf'
,
''
)
,
'type'
:
1
,
'type'
:
1
,
'socialCreditCode'
:
social_code
,
'socialCreditCode'
:
social_code
,
'year'
:
file_year
'year'
:
file_year
...
@@ -198,6 +202,7 @@ if __name__=='__main__':
...
@@ -198,6 +202,7 @@ if __name__=='__main__':
# 删除插入的数据 400表示发送数据失败
# 删除插入的数据 400表示发送数据失败
baseCore
.
deliteATT
(
att_id
)
baseCore
.
deliteATT
(
att_id
)
log
.
info
(
f
'已删除插入附件表的数据---{file_name}-----{social_code}'
)
log
.
info
(
f
'已删除插入附件表的数据---{file_name}-----{social_code}'
)
else
:
log
.
info
(
f
'-----年报已存在--{social_code}--{file_name}-----'
)
except
Exception
as
e
:
except
Exception
as
e
:
log
.
info
(
f
'error------{e}'
)
log
.
info
(
f
'error------{e}'
)
\ No newline at end of file
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