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
f7c275d7
提交
f7c275d7
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
四川省人民政府
上级
fdbdc522
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
61 行增加
和
49 行删除
+61
-49
policy-sichuan.py
REITs专题数据/policy-sichuan.py
+61
-49
没有找到文件。
REITs专题数据/policy-sichuan.py
浏览文件 @
f7c275d7
import
requests
import
time
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
=
'四川省人民政府'
headers
=
{
'Content-Type'
:
'application/x-www-form-urlencoded; charset=UTF-8'
,
'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'
,
...
...
@@ -51,84 +60,87 @@ def getDataJson():
def
getContent
(
url
,
publishDate
,
num
):
url_
=
url
.
split
(
'/'
)[
-
1
]
url_
=
url
.
replace
(
url_
,
''
)
fjhref_list
=
''
fjtitle_list
=
''
soup
=
getSoup
(
url
)
policy
.
paserUrl
(
soup
,
url
)
try
:
writtenDate
=
\
soup
.
select
(
'#szfcontentwrap2022 > div.zfwjwzcontent > div.topbox > ul > li'
)[
3
]
.
text
.
split
(
'成文日期:'
)[
1
]
.
lstrip
()
.
strip
()
except
:
writtenDate
=
''
writtenDate
=
None
try
:
contentWithTag
=
soup
.
select
(
'.contText'
)[
0
]
except
:
contentWithTag
=
soup
.
select
(
'#cmsArticleContent'
)[
0
]
img_list
=
contentWithTag
.
find_all
(
'img'
)
num_
=
1
for
img
in
img_list
:
fj_href
=
url_
+
img
.
get
(
'src'
)
fjhref_list
+=
fj_href
+
'
\n
'
fj_title
=
str
(
num_
)
num_
+=
1
category
=
os
.
path
.
splitext
(
fj_href
)[
1
]
if
category
not
in
fj_title
:
fj_title
=
fj_title
+
category
fj_title
=
f
'{num}-{publishDate}-{fj_title}'
fjtitle_list
+=
fj_title
+
'
\n
'
fjcontent
=
getFjContent
(
fj_href
)
file
=
f
'./相关政策/四川省人民政府/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
fjtitle_list
=
fjtitle_list
.
lstrip
()
.
strip
()
fjhref_list
=
fjhref_list
.
lstrip
()
.
strip
()
return
writtenDate
,
content
,
fjtitle_list
,
fjhref_list
return
writtenDate
,
content
,
contentWithTag
def
getData
(
data_
,
num
):
id_list
=
[]
title
=
data_
[
'data'
][
'title'
]
publishDate
=
data_
[
'data'
][
'docDate'
]
origin
=
data_
[
'data'
][
'siteLabel'
][
'value'
]
href
=
data_
[
'data'
][
'url'
]
# 根据链接判重
is_member
=
baseCore
.
r
.
sismember
(
'REITs::'
+
webname
,
href
)
if
is_member
:
return
organ
=
data_
[
'data'
][
'myValues'
][
'DOCPUBNAME'
]
pub_hao
=
data_
[
'data'
][
'myValues'
][
'DOCNOVAL'
]
summary
=
''
if
'.pdf'
in
href
or
'.PDF'
in
href
:
content
=
''
writtenDate
=
''
fjtitle_list
=
title
+
'.pdf'
fj
href_list
=
href
fj
content
=
getFjContent
(
href
)
file
=
f
'./相关政策/四川省人民政府/政策文件/{title}.pdf'
with
open
(
file
,
'wb'
)
as
f
:
f
.
write
(
fjcontent
)
log
.
info
(
f
'{title}===附件下载成功'
)
contentWithTag_str
=
''
writtenDate
=
None
fj
_title
=
title
+
'.pdf'
fj
_href
=
href
att_id
,
full_path
=
policy
.
attuributefile
(
fj_title
,
fj_href
,
num
,
publishDate
)
if
att_id
:
id_list
.
append
(
att_id
)
else
:
writtenDate
,
content
,
fjtitle_list
,
fjhref_list
=
getContent
(
href
,
publishDate
,
num
)
data
=
[
num
,
title
,
publishDate
,
origin
,
href
,
writtenDate
,
organ
,
pub_hao
,
summary
,
content
,
fjtitle_list
,
fjhref_list
]
return
data
writtenDate
,
content
,
contentWithTag
=
getContent
(
href
,
publishDate
,
num
)
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'
:
'1729046053927178241'
,
}
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/四川省人民政府/政策文件'
):
os
.
makedirs
(
'./相关政策/四川省人民政府/政策文件'
)
data_list
=
[]
num
=
1
data_json
=
getDataJson
()
for
data_
in
data_json
:
data
=
getData
(
data_
,
num
)
data_list
.
append
(
data
)
log
.
info
(
f
'{data[1]}===采集成功'
)
getData
(
data_
,
num
)
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/四川省人民政府/四川省人民政府政策文件.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