feat: 添加中国自然资源报

This commit is contained in:
皓月归尘 2024-11-23 05:06:19 +08:00
parent 68c8c18d85
commit fe8ff3400f
2 changed files with 184 additions and 0 deletions

View File

@ -0,0 +1,171 @@
# _*_ coding : UTF-8 _*_
# @Time : 2024/11/23 03:39
# @UpdateTime : 2024/11/23 03:39
# @Author : haochen zhong
# @File : CrawlZhongguoziranziyuanbao.py
# @Software : PyCharm
# @Comment : 本程序中国自然资源报数据
import asyncio
import random
import uuid
from datetime import datetime
from httpx import AsyncClient
from motor.motor_asyncio import AsyncIOMotorClient
start_date = datetime.strptime('2018-05-18', '%Y-%m-%d')
"""中国自然资源报2018年5月18日开始有数据"""
end_date = datetime.today()
"""截止到今天"""
headers = {
'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.42'}
# 链接数据库
client = AsyncIOMotorClient('mongodb://localhost:27017')
db = client['buweijiguanbao']
collection = db['zhongguoziranziyuanbao']
async def main():
collection_names = await db.list_collection_names()
# 判断数据表是否存在
if "zhongguoziranziyuanbao" not in collection_names:
# 如果不存在则从2017年9月开始爬取
print("中国自然资源报数据表不存在,开始采集!")
await getData(start_date, end_date)
else:
# 如果存在,则从数据库中获取最后一条记录的日期
last_record = await collection.find_one({}, sort=[('release_time', -1)])
last_date_str = last_record['release_time']
print("数据库截止时间:", last_date_str)
await getData(last_date_str, end_date)
async def heartbeat():
"""
心跳检测
:return:
"""
uid = uuid.uuid4().__str__()
"""随机UUID"""
async with AsyncClient(headers={
'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.42',
"myidentity": uid}) as client:
response = await client.get(url="http://szb.iziran.net//user/ipLogin")
if response.status_code == 200:
global headers
headers = {
'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.42',
"myidentity": uid,
"Site": 'iziran',
"Host": "szb.iziran.net"
}
async def getData(start_date: datetime, end_date: datetime):
"""
:param start_date: 开始日期
:param end_date: 结束日期
:return: None
"""
crawl_num = 0
heart_num = 0
date_url = "http://szb.iziran.net//xcms-pc/static/cache/bz1.json"
async with AsyncClient(headers=headers, timeout=60) as client:
response = await client.get(date_url)
response.encoding = response.charset_encoding
if response.status_code == 200:
dateList = response.json()
dateList = list(
filter(lambda x: x >= start_date, list(map(lambda x: datetime.strptime(x, '%Y-%m-%d'), dateList))))
dateList = dateList[::-1]
await heartbeat()
client.headers = headers
for date in dateList:
try:
if heart_num > 63:
await heartbeat()
client.headers = headers
heart_num = 0
url = "http://szb.iziran.net//bz/queryPageByDate"
params = {
"date": date.strftime("%Y-%m-%d"),
"columnId": 1
}
response = await client.post(url, params=params)
heart_num += 1
response.encoding = response.charset_encoding
print(f"一级连接状态:{response.status_code}")
if response.status_code == 200:
data = response.json().get("data", {"pages": []}).get("pages", [])
for item in data:
if heart_num > 63:
await heartbeat()
client.headers = headers
heart_num = 0
banmianming = item["name"]
banmianhao = item["number"]
url1 = f"http://szb.iziran.net//bz/queryArticleByPage"
params = {"pageId": item["id"]}
response2 = await client.post(url1, params=params)
heart_num += 1
response2.encoding = response2.charset_encoding
print(f"二级连接状态:{response2.status_code}")
if response2.status_code == 200:
data2 = response2.json().get("data", {"articles": []}).get("articles", [])
for item2 in data2:
url2 = f"http://szb.iziran.net/bz/html/content.html?date={date.strftime('%Y-%m-%d')}&pageIndex={item['index']}&cid=1&articleId={item2['id']}&articleIndex={item2['index']}&pageId={item2['pageId']}"
if await collection.find_one({"detail_url": url2}, {"_id": False}):
continue
print(datetime.now().strftime("%Y-%m-%d %H:%M:%S"), url2)
url3 = "http://szb.iziran.net//bz/getArticleById"
params = {"articleId": item2["id"]}
response3 = await client.post(url3, params=params)
heart_num += 1
response3.encoding = response3.charset_encoding
print(f"三级连接状态:{response3.status_code}")
if response3.status_code == 200:
data3 = response3.json().get("data", {})
await collection.insert_one({
"title": data3.get("title", ""),
"subtitle": data3.get("subtitle", ""),
"preTitle": data3.get("introTitle", ""),
"author": data3.get("author", ""),
"banmianming": banmianming,
"banmianhao": banmianhao,
'keywordlist': "empty",
'detail_url': url2,
'release_time': date,
'insert_timestamp': datetime.today(),
'content': data3.get("text", "")
})
crawl_num += 1
print(
f"中国自然资源报---{date.strftime('%Y-%m-%d')}---{banmianming}---{banmianhao}---{data3.get('title', '')}---采集完成!")
await asyncio.sleep(random.randint(5, 15))
print(
f"中国自然资源报---{date.strftime('%Y-%m-%d')}---{banmianming}---{banmianhao}-----采集完成!")
await asyncio.sleep(random.randint(5, 15))
print(
f"中国自然资源报---{date.strftime('%Y-%m-%d')}-----采集完成!")
await asyncio.sleep(random.randint(5, 15))
except Exception as e:
print(e)
await collection.insert_one(
{'banmianhao': 'empty',
'banmianming': 'empty',
'preTitle': 'empty',
'title': 'empty',
'subtitle': 'empty',
'author': 'empty',
'keywordlist': 'empty',
'detail_url': url,
'release_time': date,
'insert_timestamp': datetime.today(),
'content': 'empty'}
)
print(f"中国自然资源报采集完毕,共采集{crawl_num}条数据!")
asyncio.run(main())

13
国内党媒/todo.md Normal file
View File

@ -0,0 +1,13 @@
| 序号 | 完成状态 | 部委 | 部委报纸名称 | 网址 | 数据库 | 数据表 | 备注 |
|:------:|:----:|:-----------------:|:-------:|:--------------------------------------------------------------------------------------------------------------:|:--------------:|:----------------------:|:----------------------:|
| 1 | ✅ | 中华人民共和国国家发展和改革委员会 | 中国改革报 | [www.cfgw.net.cn](http://www.cfgw.net.cn/epaper/201709/05/node_01.htm) | buweijiguanbao | zhongguogaigebao | 中国改革报2017年9月份开始有数据 |
| 2 | ✅ | | 中国经济导报 | [www.ceh.com.cn](http://www.ceh.com.cn/epaper/uniflows/html/2024/11/07/01/default.htm) | buweijiguanbao | zhongguojingjidaobao | 中国经济导报2012年9月份开始有数据 |
| 3 | ✅ | 中华人民共和国教育部 | 中国教育报 | [paper.jyb.cn](http://paper.jyb.cn/zgjyb/html/2024-11/23/node_1.htm) | buweijiguanbao | zhongguojiaoyubao | 中国教育报2022年1月份开始有数据 |
| 4 | ✅ | 中华人民共和国科学技术部 | 科技日报 | [digitalpaper.stdaily.com](https://digitalpaper.stdaily.com/http_www.kjrb.com/kjrb/html/2024-11/22/node_2.htm) | buweijiguanbao | kejiribao | 科技日报2011年1月份开始有数据 |
| 5 | ✅ | 中华人民共和国工业和信息化部 | 人民邮电报 | [rmydb.cnii.com.cn](https://rmydb.cnii.com.cn/html/2024/20241030/20241030_001/20241030_001_6709.html#0) | buweijiguanbao | renminyoudianbao | 人民邮电报2024年9月份开始有数据 |
| 6 | ✅ | 中华人民共和国国家民族事务委员会 | 中国民族报 | [210.12.104.26:81](http://210.12.104.26:81/epaper/) | buweijiguanbao | zhongguominzubao | 中国民族报2022年1月份开始有数据 |
| 7 | ✅ | 中华人民共和国公安部 | 人民公安报 | [epaper.cpd.com.cn](http://epaper.cpd.com.cn/szb/wwwcpd_9/dzb_16465/rmga/2020/2020_04_05/) | buweijiguanbao | renmingonganbao | 人民公安报2020年4月1日开始有数据 |
| 8 | ✅ | 中华人民共和国民政部 | 中国社会报 | [epaper.shehuiwang.cn](https://epaper.shehuiwang.cn/site/index.jsp) | buweijiguanbao | zhongguoshehuibao | 中国社会报2022年12月01日开始有数据 |
| 9 | ✅ | 中华人民共和国司法部 | 法治日报 | [epaper.legaldaily.com.cn](http://epaper.legaldaily.com.cn/fzrb/content/20210101/Page01TB.htm) | buweijiguanbao | fazhiribao | 法治日报2021年1月1日开始有数据 |
| 10 | ✅ | 中华人民共和国财政部 | 中国财经报 | [114.118.9.73](http://114.118.9.73/epaper/) | buweijiguanbao | zhongguocaijingbao | 中国财经报2017年11月份开始有数据 |
| 11 | ✅ | 中华人民共和国自然资源部 | 中国自然资源报 | [szb.iziran.net](http://szb.iziran.net/bz/html/index.html?date=2024-11-21&cid=1) | buweijiguanbao | zhongguoziranziyuanbao | 中国自然资源报2018年5月18日开始有数据 |