first commit
This commit is contained in:
辫子哥
513
README.md
Normal file
513
README.md
Normal file
@@ -0,0 +1,513 @@
|
|||||||
|
# 政策法规检索与整理系统
|
||||||
|
|
||||||
|
一个自动化的中国税务政策法规智能检索与整理系统，支持定时任务、智能筛选、自动下载、去重分类和邮件报告功能。
|
||||||
|
|
||||||
|
## 🎯 功能特性
|
||||||
|
|
||||||
|
### 核心功能
|
||||||
|
- **定时自动检索** - 支持配置每日自动执行检索任务（如工作日 09:00）
|
||||||
|
- **多网站爬取** - 同时从国家税务总局、财政部、科技部等多个官方网站获取信息
|
||||||
|
- **智能内容筛选** - 基于关键词匹配算法，自动识别最新政策、通知、公告等
|
||||||
|
- **文件自动下载** - 支持 PDF、Word、Excel、TXT 等多种格式文件下载
|
||||||
|
- **智能去重** - 基于标题相似度（Jaccard、Levenshtein）和内容哈希的多重去重机制
|
||||||
|
- **自动分类** - 按税收政策、通知公告、法规文件等类别自动分类
|
||||||
|
- **邮件报告** - 自动生成 Excel 汇总报告并发送邮件通知
|
||||||
|
|
||||||
|
### 高级特性
|
||||||
|
- **反爬策略** - User-Agent 轮换、请求间隔控制、自动重试机制
|
||||||
|
- **代理池支持** - 可配置代理列表，自动轮换 IP
|
||||||
|
- **磁盘空间检查** - 下载前自动检查磁盘剩余空间
|
||||||
|
- **文件完整性校验** - 验证下载文件的完整性
|
||||||
|
- **结构化日志** - JSON 格式日志，支持日志轮转
|
||||||
|
- **失败告警** - 任务执行失败时自动发送告警通知
|
||||||
|
- **多通道通知** - 支持邮件、钉钉、Webhook 等多种通知方式
|
||||||
|
|
||||||
|
## 🚀 快速开始
|
||||||
|
|
||||||
|
### 1. 安装依赖
|
||||||
|
|
||||||
|
```bash
|
||||||
|
cd .trae/skills/policy-regulations-retrieval
|
||||||
|
pip install -r requirements.txt
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2. 初始化配置
|
||||||
|
|
||||||
|
```bash
|
||||||
|
python policy_retrieval.py init
|
||||||
|
```
|
||||||
|
|
||||||
|
### 3. 执行检索任务
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 立即执行一次检索（默认发送邮件报告）
|
||||||
|
python policy_retrieval.py run
|
||||||
|
|
||||||
|
# 立即执行检索，不发送邮件
|
||||||
|
python policy_retrieval.py run --no-email
|
||||||
|
|
||||||
|
# 指定收件人执行检索
|
||||||
|
python policy_retrieval.py run -e user@example.com -e another@example.com
|
||||||
|
```
|
||||||
|
|
||||||
|
### 4. 启动定时任务
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 启动定时任务（使用配置文件中的时间）
|
||||||
|
python policy_retrieval.py schedule --enable
|
||||||
|
|
||||||
|
# 指定执行时间（如每日 09:00）
|
||||||
|
python policy_retrieval.py schedule --enable --time "09:00"
|
||||||
|
|
||||||
|
# 禁用定时任务
|
||||||
|
python policy_retrieval.py schedule --disable
|
||||||
|
```
|
||||||
|
|
||||||
|
### 5. 查看报告
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 查看最新生成的报告
|
||||||
|
python policy_retrieval.py report
|
||||||
|
```
|
||||||
|
|
||||||
|
### 6. 查看帮助
|
||||||
|
|
||||||
|
```bash
|
||||||
|
python policy_retrieval.py help
|
||||||
|
```
|
||||||
|
|
||||||
|
## 📋 配置说明
|
||||||
|
|
||||||
|
编辑 `config.yaml` 文件自定义系统行为：
|
||||||
|
|
||||||
|
### 定时任务配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
scheduler:
|
||||||
|
enabled: true # 是否启用定时任务
|
||||||
|
time: "09:00" # 每日执行时间
|
||||||
|
days: # 执行日期
|
||||||
|
- mon
|
||||||
|
- tue
|
||||||
|
- wed
|
||||||
|
- thu
|
||||||
|
- fri
|
||||||
|
max_instances: 3 # 最大并发实例数
|
||||||
|
coalesce: true # 是否合并错过的任务
|
||||||
|
```
|
||||||
|
|
||||||
|
### 目标网站配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
targets:
|
||||||
|
- name: "国家税务总局"
|
||||||
|
url: "https://www.chinatax.gov.cn/"
|
||||||
|
list_paths:
|
||||||
|
- "/npsite/chinatax/zcwj/" # 政策文件路径
|
||||||
|
- "/npsite/chinatax/tzgg/" # 通知公告路径
|
||||||
|
keywords:
|
||||||
|
- "最新"
|
||||||
|
- "通知"
|
||||||
|
- "公告"
|
||||||
|
- "政策"
|
||||||
|
- "法规"
|
||||||
|
enabled: true
|
||||||
|
```
|
||||||
|
|
||||||
|
### 下载配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
download:
|
||||||
|
path: "./downloads" # 下载目录
|
||||||
|
formats: # 支持的文件格式
|
||||||
|
- pdf
|
||||||
|
- doc
|
||||||
|
- docx
|
||||||
|
- txt
|
||||||
|
- xlsx
|
||||||
|
max_size: 52428800 # 最大文件大小（字节）
|
||||||
|
timeout: 60 # 下载超时时间（秒）
|
||||||
|
retry: 3 # 重试次数
|
||||||
|
user_agent: "Mozilla/5.0..." # User-Agent
|
||||||
|
```
|
||||||
|
|
||||||
|
### 去重配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
deduplication:
|
||||||
|
title_similarity: 0.8 # 标题相似度阈值
|
||||||
|
content_similarity: 0.9 # 内容相似度阈值
|
||||||
|
hash_algorithm: "simhash" # 哈希算法
|
||||||
|
```
|
||||||
|
|
||||||
|
### 分类配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
categories:
|
||||||
|
- name: "税收政策"
|
||||||
|
keywords:
|
||||||
|
- "税收"
|
||||||
|
- "税务"
|
||||||
|
- "纳税"
|
||||||
|
- "税费"
|
||||||
|
- "增值税"
|
||||||
|
- "所得税"
|
||||||
|
priority: 1 # 优先级（数字越小优先级越高）
|
||||||
|
|
||||||
|
- name: "通知公告"
|
||||||
|
keywords:
|
||||||
|
- "通知"
|
||||||
|
- "公告"
|
||||||
|
- "通告"
|
||||||
|
priority: 2
|
||||||
|
|
||||||
|
- name: "法规文件"
|
||||||
|
keywords:
|
||||||
|
- "法规"
|
||||||
|
- "条例"
|
||||||
|
- "规章"
|
||||||
|
- "办法"
|
||||||
|
- "细则"
|
||||||
|
priority: 3
|
||||||
|
|
||||||
|
- name: "其他政策"
|
||||||
|
keywords: [] # 空关键词表示默认类别
|
||||||
|
priority: 99
|
||||||
|
```
|
||||||
|
|
||||||
|
### 日志配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
logging:
|
||||||
|
level: "INFO" # 日志级别
|
||||||
|
format: "%(asctime)s - %(name)s - %(levelname)s - %(message)s"
|
||||||
|
file: "./logs/policy_retrieval.log"
|
||||||
|
max_bytes: 10485760 # 单个日志文件最大大小（10MB）
|
||||||
|
backup_count: 5 # 保留日志文件数量
|
||||||
|
```
|
||||||
|
|
||||||
|
### 通知配置（可选）
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
notification:
|
||||||
|
enabled: true
|
||||||
|
on_failure: true # 失败时通知
|
||||||
|
on_success: true # 成功时通知
|
||||||
|
email:
|
||||||
|
enabled: true
|
||||||
|
smtp_host: "smtp.qq.com"
|
||||||
|
smtp_port: 587
|
||||||
|
smtp_user: "your_email@qq.com"
|
||||||
|
smtp_password: "your_auth_code" # 使用授权码
|
||||||
|
from_addr: "your_email@qq.com"
|
||||||
|
to_addrs:
|
||||||
|
- "user@example.com"
|
||||||
|
- "admin@example.com"
|
||||||
|
```
|
||||||
|
|
||||||
|
## 📁 项目结构
|
||||||
|
|
||||||
|
```
|
||||||
|
policy-regulations-retrieval/
|
||||||
|
├── policy_retrieval.py # 主程序入口
|
||||||
|
├── scraper.py # 网页爬取模块
|
||||||
|
├── processor.py # 数据处理模块（去重、分类）
|
||||||
|
├── notifier.py # 通知模块（邮件、钉钉等）
|
||||||
|
├── config.yaml # 配置文件
|
||||||
|
├── requirements.txt # Python 依赖
|
||||||
|
├── README.md # 项目说明
|
||||||
|
├── SKILL.md # 技能描述
|
||||||
|
├── logs/ # 日志目录
|
||||||
|
│ ├── policy_retrieval.log
|
||||||
|
│ └── execution_*.json
|
||||||
|
├── downloads/ # 下载文件目录
|
||||||
|
│ ├── 税收政策/
|
||||||
|
│ ├── 通知公告/
|
||||||
|
│ └── 法规文件/
|
||||||
|
└── output/ # 输出报告目录
|
||||||
|
├── summary_YYYYMMDD.xlsx
|
||||||
|
└── deduplicated_data_YYYYMMDD.json
|
||||||
|
```
|
||||||
|
|
||||||
|
## 🔧 核心模块说明
|
||||||
|
|
||||||
|
### 1. 主程序 (policy_retrieval.py)
|
||||||
|
|
||||||
|
系统主入口，协调各模块工作：
|
||||||
|
- 加载配置文件
|
||||||
|
- 初始化日志系统
|
||||||
|
- 执行检索流程
|
||||||
|
- 管理定时任务
|
||||||
|
- 生成汇总报告
|
||||||
|
|
||||||
|
**主要方法：**
|
||||||
|
- `run()` - 执行一次完整的检索流程
|
||||||
|
- `fetch_articles()` - 从目标网站获取文章列表
|
||||||
|
- `filter_content()` - 筛选相关内容
|
||||||
|
- `deduplicate()` - 去重处理
|
||||||
|
- `categorize()` - 分类整理
|
||||||
|
- `download_files()` - 下载文件
|
||||||
|
- `generate_report()` - 生成 Excel 报告
|
||||||
|
|
||||||
|
### 2. 网页爬取模块 (scraper.py)
|
||||||
|
|
||||||
|
专业的网页爬虫，支持：
|
||||||
|
- **ProxyManager** - 代理 IP 管理，支持轮换
|
||||||
|
- **RateLimiter** - 请求频率限制
|
||||||
|
- **WebScraper** - 通用网页爬虫基类
|
||||||
|
- **TaxPolicyScraper** - 税务政策专用爬虫
|
||||||
|
|
||||||
|
**特性：**
|
||||||
|
- 自动重试机制（指数退避）
|
||||||
|
- 请求间隔控制
|
||||||
|
- 多种日期格式解析
|
||||||
|
- CSS 选择器提取
|
||||||
|
- 文件 URL 识别
|
||||||
|
|
||||||
|
### 3. 数据处理模块 (processor.py)
|
||||||
|
|
||||||
|
高效的数据处理工具：
|
||||||
|
|
||||||
|
**TextSimilarity** - 文本相似度计算
|
||||||
|
- Jaccard 相似度
|
||||||
|
- Levenshtein 编辑距离
|
||||||
|
- 余弦相似度
|
||||||
|
|
||||||
|
**Deduplicator** - 去重处理器
|
||||||
|
- 标题相似度检测
|
||||||
|
- 内容哈希去重
|
||||||
|
- 保留最新记录
|
||||||
|
|
||||||
|
**CategoryClassifier** - 分类器
|
||||||
|
- 关键词索引
|
||||||
|
- 多类别评分
|
||||||
|
- 批量分类
|
||||||
|
|
||||||
|
**DataExporter** - 数据导出器
|
||||||
|
- Excel 导出
|
||||||
|
- JSON 导出
|
||||||
|
- CSV 导出
|
||||||
|
|
||||||
|
### 4. 通知模块 (notifier.py)
|
||||||
|
|
||||||
|
邮件通知系统：
|
||||||
|
- 支持 HTML 格式邮件
|
||||||
|
- 附件支持
|
||||||
|
- 政策检索报告模板
|
||||||
|
- 错误告警模板
|
||||||
|
- 多收件人支持
|
||||||
|
|
||||||
|
## 📊 输出示例
|
||||||
|
|
||||||
|
### Excel 报告示例
|
||||||
|
|
||||||
|
| 标题 | 发布时间 | 来源 | 类别 | 摘要 | 关键词 | 下载链接 |
|
||||||
|
|------|----------|------|------|------|--------|----------|
|
||||||
|
| 关于实施新的组合式税费支持政策的通知 | 2024-01-15 | 国家税务总局 | 税收政策 | 为进一步减轻企业负担... | 最新，通知，政策 | /downloads/税收政策/xxx.pdf |
|
||||||
|
| 国家税务总局公告 2024 年第 1 号 | 2024-01-10 | 国家税务总局 | 通知公告 | 关于...的公告 | 公告 | /downloads/通知公告/xxx.pdf |
|
||||||
|
|
||||||
|
### 目录结构示例
|
||||||
|
|
||||||
|
```
|
||||||
|
downloads/
|
||||||
|
├── 税收政策/
|
||||||
|
│ ├── 2024-01-15_国家税务总局_关于实施新的组合式税费支持政策的通知.pdf
|
||||||
|
│ └── 2024-01-10_国家税务总局_增值税优惠政策.pdf
|
||||||
|
├── 通知公告/
|
||||||
|
│ └── 2024-01-12_国家税务总局_系统升级公告.pdf
|
||||||
|
└── 法规文件/
|
||||||
|
└── 2024-01-08_财政部_税收征管办法.docx
|
||||||
|
```
|
||||||
|
|
||||||
|
## 🔍 命令行参数
|
||||||
|
|
||||||
|
```bash
|
||||||
|
python policy_retrieval.py <command> [options]
|
||||||
|
|
||||||
|
命令:
|
||||||
|
init 初始化配置文件
|
||||||
|
run 立即执行一次检索
|
||||||
|
schedule 启动定时任务
|
||||||
|
report 查看最新报告
|
||||||
|
help 显示帮助信息
|
||||||
|
|
||||||
|
选项:
|
||||||
|
--config, -c 指定配置文件路径
|
||||||
|
--time, -t 设置定时任务执行时间
|
||||||
|
--enable 启用定时任务
|
||||||
|
--disable 禁用定时任务
|
||||||
|
--no-email 不发送邮件报告
|
||||||
|
--email-to, -e 指定收件人邮箱（可多次使用）
|
||||||
|
```
|
||||||
|
|
||||||
|
## 🛠️ 依赖说明
|
||||||
|
|
||||||
|
### 核心依赖
|
||||||
|
|
||||||
|
```
|
||||||
|
requests>=2.28.0 # HTTP 请求库
|
||||||
|
beautifulsoup4>=4.11.0 # HTML 解析库
|
||||||
|
pyyaml>=6.0 # YAML 配置解析
|
||||||
|
apscheduler>=3.10.0 # 定时任务调度器
|
||||||
|
pandas>=1.5.0 # 数据处理库
|
||||||
|
openpyxl>=3.0.0 # Excel 文件操作
|
||||||
|
lxml>=4.9.0 # XML/HTML 解析器
|
||||||
|
```
|
||||||
|
|
||||||
|
### 可选依赖
|
||||||
|
|
||||||
|
```
|
||||||
|
# 以下为标准库，无需安装
|
||||||
|
smtplib # 邮件发送
|
||||||
|
email # 邮件处理
|
||||||
|
```
|
||||||
|
|
||||||
|
## ⚙️ 高级配置
|
||||||
|
|
||||||
|
### 代理池配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
proxy:
|
||||||
|
enabled: true
|
||||||
|
pool:
|
||||||
|
- "http://user:pass@proxy1.example.com:8080"
|
||||||
|
- "http://user:pass@proxy2.example.com:8080"
|
||||||
|
rotate: true # 自动轮换代理
|
||||||
|
```
|
||||||
|
|
||||||
|
### 反爬策略配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
anti_crawler:
|
||||||
|
enabled: true
|
||||||
|
user_agents: # User-Agent 池
|
||||||
|
- "Mozilla/5.0 (Windows NT 10.0; Win64; x64)..."
|
||||||
|
- "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7)..."
|
||||||
|
request_interval: 3 # 请求间隔（秒）
|
||||||
|
timeout: 30 # 请求超时（秒）
|
||||||
|
retry_times: 3 # 重试次数
|
||||||
|
retry_delay: 5 # 重试间隔（秒）
|
||||||
|
```
|
||||||
|
|
||||||
|
### 多通知渠道配置
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
notification:
|
||||||
|
enabled: true
|
||||||
|
email:
|
||||||
|
enabled: true
|
||||||
|
# ... 邮件配置
|
||||||
|
dingtalk:
|
||||||
|
enabled: false
|
||||||
|
webhook: "https://oapi.dingtalk.com/robot/send?access_token=xxx"
|
||||||
|
webhook:
|
||||||
|
enabled: false
|
||||||
|
url: "https://your-webhook-url.com/notify"
|
||||||
|
```
|
||||||
|
|
||||||
|
## 📝 使用场景
|
||||||
|
|
||||||
|
### 场景 1：每日自动检索
|
||||||
|
|
||||||
|
配置工作日每天早上 9 点自动检索最新政策：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 编辑 config.yaml
|
||||||
|
scheduler:
|
||||||
|
enabled: true
|
||||||
|
time: "09:00"
|
||||||
|
days: [mon, tue, wed, thu, fri]
|
||||||
|
|
||||||
|
# 启动定时任务
|
||||||
|
python policy_retrieval.py schedule --enable
|
||||||
|
```
|
||||||
|
|
||||||
|
### 场景 2：临时检索任务
|
||||||
|
|
||||||
|
临时执行一次检索，不发送邮件：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
python policy_retrieval.py run --no-email
|
||||||
|
```
|
||||||
|
|
||||||
|
### 场景 3：多部门监控
|
||||||
|
|
||||||
|
同时监控多个部门网站，发送到多个邮箱：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 配置多个目标网站
|
||||||
|
targets:
|
||||||
|
- name: "国家税务总局"
|
||||||
|
url: "https://www.chinatax.gov.cn/"
|
||||||
|
enabled: true
|
||||||
|
- name: "财政部"
|
||||||
|
url: "https://www.mof.gov.cn/"
|
||||||
|
enabled: true
|
||||||
|
- name: "科技部"
|
||||||
|
url: "https://www.most.gov.cn/"
|
||||||
|
enabled: true
|
||||||
|
|
||||||
|
# 执行并发送到多个收件人
|
||||||
|
python policy_retrieval.py run -e user1@example.com -e user2@example.com
|
||||||
|
```
|
||||||
|
|
||||||
|
### 场景 4：自定义分类规则
|
||||||
|
|
||||||
|
根据业务需求自定义分类：
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
categories:
|
||||||
|
- name: "增值税政策"
|
||||||
|
keywords: ["增值税", "进项税", "销项税"]
|
||||||
|
priority: 1
|
||||||
|
- name: "所得税政策"
|
||||||
|
keywords: ["所得税", "企业所得税", "个人所得税"]
|
||||||
|
priority: 2
|
||||||
|
- name: "税收优惠"
|
||||||
|
keywords: ["优惠", "减免", "退税"]
|
||||||
|
priority: 3
|
||||||
|
```
|
||||||
|
|
||||||
|
## 🔐 安全建议
|
||||||
|
|
||||||
|
1. **邮箱配置** - 使用授权码而非密码
|
||||||
|
2. **代理使用** - 建议使用正规代理服务商
|
||||||
|
3. **请求频率** - 合理设置请求间隔，避免对目标网站造成压力
|
||||||
|
4. **日志保护** - 定期清理日志文件，避免敏感信息泄露
|
||||||
|
|
||||||
|
## ❓ 常见问题
|
||||||
|
|
||||||
|
### Q: 如何修改检索频率？
|
||||||
|
A: 编辑 `config.yaml` 中的 `scheduler.time` 和 `scheduler.days` 配置。
|
||||||
|
|
||||||
|
### Q: 下载的文件在哪里？
|
||||||
|
A: 默认在 `./downloads/` 目录下，按类别分子目录存放。
|
||||||
|
|
||||||
|
### Q: 如何查看运行日志？
|
||||||
|
A: 日志文件位于 `./logs/policy_retrieval.log`。
|
||||||
|
|
||||||
|
### Q: 邮件发送失败怎么办？
|
||||||
|
A: 检查 SMTP 配置、邮箱授权码、网络连接，查看详细日志。
|
||||||
|
|
||||||
|
### Q: 如何添加新的目标网站？
|
||||||
|
A: 在 `config.yaml` 的 `targets` 列表中添加新的网站配置。
|
||||||
|
|
||||||
|
### Q: 定时任务如何停止？
|
||||||
|
A: 按 Ctrl+C 停止当前运行的定时任务，或使用 `--disable` 参数禁用。
|
||||||
|
|
||||||
|
## 📄 许可证
|
||||||
|
|
||||||
|
本项目仅供学习和研究使用。
|
||||||
|
|
||||||
|
## 🤝 贡献
|
||||||
|
|
||||||
|
欢迎提交 Issue 和 Pull Request 来改进这个项目。
|
||||||
|
|
||||||
|
## 📧 联系方式
|
||||||
|
|
||||||
|
如有问题或建议，请通过邮件联系。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
**最后更新**: 2024-01
|
||||||
|
**版本**: 1.0.0
|
||||||
235
SKILL.md
Normal file
235
SKILL.md
Normal file
@@ -0,0 +1,235 @@
|
|||||||
|
---
|
||||||
|
name: "policy-regulations-retrieval"
|
||||||
|
description: "Automates Chinese tax policy retrieval with scheduled tasks, web scraping, content filtering, file downloading, and data deduplication. Invoke when user needs to build a policy/regulation collection system or wants automated policy monitoring."
|
||||||
|
---
|
||||||
|
|
||||||
|
# 政策法规检索与整理系统
|
||||||
|
|
||||||
|
这是一个自动化政策法规检索与整理系统，可用于从中国税务相关部门网站自动抓取、筛选、下载和整理政策法规文件。
|
||||||
|
|
||||||
|
## 功能特性
|
||||||
|
|
||||||
|
1. **定时任务功能** - 支持配置每日自动执行检索任务
|
||||||
|
2. **网站内容爬取** - 自动访问税务相关部门网站获取最新政策
|
||||||
|
3. **内容筛选** - 智能识别包含关键词（最新、通知、公告、政策、法规）的内容
|
||||||
|
4. **资料下载** - 支持下载PDF、Word、TXT等多种格式文件
|
||||||
|
5. **数据处理** - 去重、分类整理、自动生成汇总报告
|
||||||
|
|
||||||
|
## 使用方法
|
||||||
|
|
||||||
|
### 基本命令
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 初始化系统配置
|
||||||
|
python policy_retrieval.py init
|
||||||
|
|
||||||
|
# 立即执行一次检索（默认发送邮件报告）
|
||||||
|
python policy_retrieval.py run
|
||||||
|
|
||||||
|
# 立即执行一次检索，不发送邮件
|
||||||
|
python policy_retrieval.py run --no-email
|
||||||
|
|
||||||
|
# 指定收件人执行检索
|
||||||
|
python policy_retrieval.py run -e user@example.com -e another@example.com
|
||||||
|
|
||||||
|
# 启动定时任务服务
|
||||||
|
python policy_retrieval.py schedule --time "09:00"
|
||||||
|
|
||||||
|
# 查看检索结果
|
||||||
|
python policy_retrieval.py report
|
||||||
|
|
||||||
|
# 查看帮助
|
||||||
|
python policy_retrieval.py --help
|
||||||
|
```
|
||||||
|
|
||||||
|
### 配置文件 (config.yaml)
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
# 定时任务配置
|
||||||
|
scheduler:
|
||||||
|
enabled: true
|
||||||
|
time: "09:00" # 每日执行时间
|
||||||
|
days: ["mon", "tue", "wed", "thu", "fri"] # 执行日期
|
||||||
|
|
||||||
|
# 目标网站配置
|
||||||
|
targets:
|
||||||
|
- name: "国家税务总局"
|
||||||
|
url: "https://www.chinatax.gov.cn/"
|
||||||
|
keywords: ["最新", "通知", "公告", "政策", "法规"]
|
||||||
|
- name: "财政部"
|
||||||
|
url: "https://www.mof.gov.cn/"
|
||||||
|
keywords: ["最新", "通知", "公告", "政策", "法规"]
|
||||||
|
- name: "科技部"
|
||||||
|
url: "https://www.most.gov.cn/"
|
||||||
|
keywords: ["科技", "创新", "项目", "申报", "通知", "公告", "政策"]
|
||||||
|
|
||||||
|
# 下载配置
|
||||||
|
download:
|
||||||
|
path: "./downloads"
|
||||||
|
formats: ["pdf", "doc", "docx", "txt"]
|
||||||
|
max_size: 50MB
|
||||||
|
check_disk_space: true # 下载前检查磁盘空间
|
||||||
|
min_disk_space: 100MB # 最小剩余空间要求
|
||||||
|
verify_download: true # 验证下载文件完整性
|
||||||
|
|
||||||
|
# 反爬策略配置
|
||||||
|
anti_crawler:
|
||||||
|
enabled: true
|
||||||
|
user_agents:
|
||||||
|
- "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
|
||||||
|
- "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
|
||||||
|
- "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:121.0) Gecko/20100101 Firefox/121.0"
|
||||||
|
- "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.1 Safari/605.1.15"
|
||||||
|
request_interval: 3 # 请求间隔（秒）
|
||||||
|
timeout: 30 # 请求超时（秒）
|
||||||
|
retry_times: 3 # 重试次数
|
||||||
|
retry_delay: 5 # 重试间隔（秒）
|
||||||
|
|
||||||
|
# 代理池配置
|
||||||
|
proxy:
|
||||||
|
enabled: false
|
||||||
|
pool: [] # 代理列表，格式: ["http://user:pass@host:port", ...]
|
||||||
|
rotate: true # 是否轮换代理
|
||||||
|
|
||||||
|
# 日志配置
|
||||||
|
logging:
|
||||||
|
enabled: true
|
||||||
|
level: "INFO" # DEBUG, INFO, WARNING, ERROR
|
||||||
|
path: "./logs"
|
||||||
|
max_size: 10MB # 单个日志文件最大大小
|
||||||
|
backup_count: 5 # 保留日志文件数量
|
||||||
|
format: "%(asctime)s - %(name)s - %(levelname)s - %(message)s"
|
||||||
|
|
||||||
|
# 告警通知配置
|
||||||
|
notification:
|
||||||
|
enabled: true # 启用通知功能
|
||||||
|
on_failure: true # 任务失败时通知
|
||||||
|
on_success: true # 任务成功时通知（发送检索报告）
|
||||||
|
email:
|
||||||
|
enabled: true
|
||||||
|
smtp_host: "smtp.qq.com" # QQ邮箱示例
|
||||||
|
smtp_port: 587
|
||||||
|
smtp_user: "your_email@qq.com"
|
||||||
|
smtp_password: "your_auth_code" # QQ邮箱需要使用授权码
|
||||||
|
from_addr: "your_email@qq.com"
|
||||||
|
to_addrs:
|
||||||
|
- "user@example.com"
|
||||||
|
- "admin@example.com"
|
||||||
|
dingtalk:
|
||||||
|
enabled: false
|
||||||
|
webhook: "https://oapi.dingtalk.com/robot/send?access_token=xxx"
|
||||||
|
webhook:
|
||||||
|
enabled: false
|
||||||
|
url: "https://your-webhook-url.com/notify"
|
||||||
|
|
||||||
|
# 去重配置
|
||||||
|
deduplication:
|
||||||
|
title_similarity: 0.8
|
||||||
|
content_similarity: 0.9
|
||||||
|
|
||||||
|
# 分类配置
|
||||||
|
categories:
|
||||||
|
- name: "税收政策"
|
||||||
|
keywords: ["税收", "税务", "纳税"]
|
||||||
|
- name: "通知公告"
|
||||||
|
keywords: ["通知", "公告"]
|
||||||
|
- name: "法规文件"
|
||||||
|
keywords: ["法规", "条例", "规章"]
|
||||||
|
```
|
||||||
|
|
||||||
|
## 核心模块说明
|
||||||
|
|
||||||
|
### 1. 定时任务模块 (scheduler.py)
|
||||||
|
- 使用APScheduler实现定时任务
|
||||||
|
- 支持自定义执行时间和频率
|
||||||
|
- 可配置工作日/休息日
|
||||||
|
- **持久化存储**：使用SQLite数据库存储任务状态，程序重启后任务不丢失
|
||||||
|
- **支持cron表达式**：高级用户可使用cron格式自定义执行规则
|
||||||
|
|
||||||
|
### 2. 网页爬取模块 (scraper.py)
|
||||||
|
- 支持多网站并发爬取
|
||||||
|
- 智能解析HTML/XML内容
|
||||||
|
- **反爬策略**：
|
||||||
|
- User-Agent轮换（随机选取）
|
||||||
|
- 请求间隔控制（默认3秒，可配置）
|
||||||
|
- 请求超时设置（默认30秒）
|
||||||
|
- 自动重试机制（默认3次）
|
||||||
|
- **代理池支持**：可配置代理列表，自动轮换
|
||||||
|
- **错误处理**：
|
||||||
|
- 网络异常自动重试
|
||||||
|
- 解析失败记录日志并跳过
|
||||||
|
- 请求超时处理
|
||||||
|
|
||||||
|
### 3. 内容筛选模块 (filter.py)
|
||||||
|
- 关键词匹配算法
|
||||||
|
- 相关度评分系统
|
||||||
|
- 可配置筛选规则
|
||||||
|
|
||||||
|
### 4. 文件下载模块 (downloader.py)
|
||||||
|
- 支持多种文件格式
|
||||||
|
- 断点续传功能
|
||||||
|
- 自动重命名和分类
|
||||||
|
- **文件完整性校验**：下载完成后校验文件大小和完整性
|
||||||
|
- **磁盘空间检查**：下载前检查剩余空间
|
||||||
|
|
||||||
|
### 5. 数据处理模块 (processor.py)
|
||||||
|
- 基于SimHash的去重算法
|
||||||
|
- 多维度分类（时间、类型、部门）
|
||||||
|
- Excel/CSV报告生成
|
||||||
|
- **数据库存储**：使用SQLite存储结构化数据，支持查询和统计
|
||||||
|
|
||||||
|
### 6. 日志模块 (logger.py)
|
||||||
|
- **结构化日志**：JSON格式日志，便于分析
|
||||||
|
- **日志轮转**：按大小和时间自动轮转，防止日志文件过大
|
||||||
|
- **执行记录**：记录每次任务执行的开始时间、结束时间、结果统计
|
||||||
|
- **错误追踪**：详细的错误堆栈信息，便于问题排查
|
||||||
|
|
||||||
|
### 7. 通知模块 (notifier.py)
|
||||||
|
- **多通道通知**：支持邮件、钉钉、Webhook
|
||||||
|
- **失败告警**：任务执行失败时自动发送通知
|
||||||
|
- **可配置开关**：可单独控制成功/失败通知
|
||||||
|
|
||||||
|
## 输出结果
|
||||||
|
|
||||||
|
系统会在以下目录生成文件：
|
||||||
|
|
||||||
|
### output 目录
|
||||||
|
- `summary_YYYYMMDD.xlsx` - 每日汇总表格
|
||||||
|
- `deduplicated_data.json` - 去重后的数据
|
||||||
|
- `category_*/` - 按类别分类的文件
|
||||||
|
- `policies.db` - SQLite数据库（结构化存储）
|
||||||
|
|
||||||
|
### logs 目录
|
||||||
|
- `app_YYYYMMDD.log` - 应用日志
|
||||||
|
- `execution_YYYYMMDD.json` - 执行记录（JSON格式）
|
||||||
|
|
||||||
|
### downloads 目录
|
||||||
|
- 按类别分类的政策文件
|
||||||
|
- 文件名格式：`{日期}_{来源}_{标题}`
|
||||||
|
|
||||||
|
## 示例输出表格
|
||||||
|
|
||||||
|
| 标题 | 发布时间 | 来源 | 类别 | 摘要 | 下载链接 |
|
||||||
|
|------|----------|------|------|------|----------|
|
||||||
|
| 关于实施新的组合式税费支持政策的通知 | 2024-01-01 | 国家税务总局 | 税收政策 | ... | /downloads/xxx.pdf |
|
||||||
|
|
||||||
|
## 依赖安装
|
||||||
|
|
||||||
|
```bash
|
||||||
|
pip install -r requirements.txt
|
||||||
|
```
|
||||||
|
|
||||||
|
主要依赖：
|
||||||
|
- requests - HTTP请求
|
||||||
|
- beautifulsoup4 - HTML解析
|
||||||
|
- apscheduler - 定时任务
|
||||||
|
- pandas - 数据处理
|
||||||
|
- openpyxl - Excel导出
|
||||||
|
- sqlalchemy - 数据库ORM
|
||||||
|
- python-dotenv - 环境变量管理
|
||||||
|
- pytz - 时区处理
|
||||||
|
- selenium/playwright - 动态页面爬取（可选）
|
||||||
|
|
||||||
|
可选依赖（通知功能）：
|
||||||
|
- smtplib - 邮件发送（标准库）
|
||||||
|
- requests - 钉钉/Webhook通知
|
||||||
111
config.yaml
Normal file
111
config.yaml
Normal file
@@ -0,0 +1,111 @@
|
|||||||
|
# 定时任务配置
|
||||||
|
scheduler:
|
||||||
|
enabled: true
|
||||||
|
time: "09:00"
|
||||||
|
days:
|
||||||
|
- mon
|
||||||
|
- tue
|
||||||
|
- wed
|
||||||
|
- thu
|
||||||
|
- fri
|
||||||
|
max_instances: 3
|
||||||
|
coalesce: true
|
||||||
|
|
||||||
|
# 目标网站配置
|
||||||
|
targets:
|
||||||
|
- name: "国家税务总局"
|
||||||
|
url: "https://www.chinatax.gov.cn/"
|
||||||
|
list_paths:
|
||||||
|
- "/npsite/chinatax/zcwj/"
|
||||||
|
- "/npsite/chinatax/tzgg/"
|
||||||
|
keywords:
|
||||||
|
- "最新"
|
||||||
|
- "通知"
|
||||||
|
- "公告"
|
||||||
|
- "政策"
|
||||||
|
- "法规"
|
||||||
|
enabled: true
|
||||||
|
|
||||||
|
- name: "财政部"
|
||||||
|
url: "https://www.mof.gov.cn/"
|
||||||
|
list_paths:
|
||||||
|
- "/zhengwugongkai/zhengceku/zhengcefagui/"
|
||||||
|
keywords:
|
||||||
|
- "最新"
|
||||||
|
- "通知"
|
||||||
|
- "公告"
|
||||||
|
- "政策"
|
||||||
|
- "法规"
|
||||||
|
enabled: false
|
||||||
|
|
||||||
|
- name: "国家税务局"
|
||||||
|
url: "http://www.chinatax.gov.cn/"
|
||||||
|
list_paths:
|
||||||
|
- "/cloudfw/zcwj/"
|
||||||
|
keywords:
|
||||||
|
- "最新"
|
||||||
|
- "通知"
|
||||||
|
- "公告"
|
||||||
|
- "政策"
|
||||||
|
- "法规"
|
||||||
|
enabled: false
|
||||||
|
|
||||||
|
# 下载配置
|
||||||
|
download:
|
||||||
|
path: "./downloads"
|
||||||
|
formats:
|
||||||
|
- pdf
|
||||||
|
- doc
|
||||||
|
- docx
|
||||||
|
- txt
|
||||||
|
- xlsx
|
||||||
|
max_size: 52428800
|
||||||
|
timeout: 60
|
||||||
|
retry: 3
|
||||||
|
user_agent: "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
|
||||||
|
|
||||||
|
# 去重配置
|
||||||
|
deduplication:
|
||||||
|
title_similarity: 0.8
|
||||||
|
content_similarity: 0.9
|
||||||
|
hash_algorithm: "simhash"
|
||||||
|
|
||||||
|
# 分类配置
|
||||||
|
categories:
|
||||||
|
- name: "税收政策"
|
||||||
|
keywords:
|
||||||
|
- "税收"
|
||||||
|
- "税务"
|
||||||
|
- "纳税"
|
||||||
|
- "税费"
|
||||||
|
- "增值税"
|
||||||
|
- "所得税"
|
||||||
|
priority: 1
|
||||||
|
|
||||||
|
- name: "通知公告"
|
||||||
|
keywords:
|
||||||
|
- "通知"
|
||||||
|
- "公告"
|
||||||
|
- "通告"
|
||||||
|
priority: 2
|
||||||
|
|
||||||
|
- name: "法规文件"
|
||||||
|
keywords:
|
||||||
|
- "法规"
|
||||||
|
- "条例"
|
||||||
|
- "规章"
|
||||||
|
- "办法"
|
||||||
|
- "细则"
|
||||||
|
priority: 3
|
||||||
|
|
||||||
|
- name: "其他政策"
|
||||||
|
keywords: []
|
||||||
|
priority: 99
|
||||||
|
|
||||||
|
# 日志配置
|
||||||
|
logging:
|
||||||
|
level: "INFO"
|
||||||
|
format: "%(asctime)s - %(name)s - %(levelname)s - %(message)s"
|
||||||
|
file: "./logs/policy_retrieval.log"
|
||||||
|
max_bytes: 10485760
|
||||||
|
backup_count: 5
|
||||||
220
notifier.py
Normal file
220
notifier.py
Normal file
@@ -0,0 +1,220 @@
|
|||||||
|
import smtplib
|
||||||
|
import json
|
||||||
|
import logging
|
||||||
|
from email.mime.text import MIMEText
|
||||||
|
from email.mime.multipart import MIMEMultipart
|
||||||
|
from email.mime.application import MIMEApplication
|
||||||
|
from email.header import Header
|
||||||
|
from pathlib import Path
|
||||||
|
from typing import List, Optional, Dict
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
|
||||||
|
class EmailNotifier:
|
||||||
|
"""邮件通知类"""
|
||||||
|
|
||||||
|
def __init__(self, config: Dict):
|
||||||
|
self.config = config.get('notification', {})
|
||||||
|
self.email_config = self.config.get('email', {})
|
||||||
|
self.logger = logging.getLogger(__name__)
|
||||||
|
self.enabled = self.config.get('enabled', False) and self.email_config.get('enabled', False)
|
||||||
|
|
||||||
|
def is_enabled(self) -> bool:
|
||||||
|
"""检查邮件通知是否启用"""
|
||||||
|
return self.enabled
|
||||||
|
|
||||||
|
def send_email(
|
||||||
|
self,
|
||||||
|
subject: str,
|
||||||
|
body: str,
|
||||||
|
to_addrs: Optional[List[str]] = None,
|
||||||
|
attachments: Optional[List[str]] = None,
|
||||||
|
is_html: bool = False
|
||||||
|
) -> bool:
|
||||||
|
"""
|
||||||
|
发送邮件
|
||||||
|
|
||||||
|
Args:
|
||||||
|
subject: 邮件主题
|
||||||
|
body: 邮件正文
|
||||||
|
to_addrs: 收件人列表，None时使用配置中的默认收件人
|
||||||
|
attachments: 附件路径列表
|
||||||
|
is_html: 是否为HTML格式
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
bool: 发送成功返回True，否则返回False
|
||||||
|
"""
|
||||||
|
if not self.enabled:
|
||||||
|
self.logger.info("邮件通知未启用")
|
||||||
|
return False
|
||||||
|
|
||||||
|
to_addrs = to_addrs or self.email_config.get('to_addrs', [])
|
||||||
|
if not to_addrs:
|
||||||
|
self.logger.warning("未配置收件人地址")
|
||||||
|
return False
|
||||||
|
|
||||||
|
smtp_host = self.email_config.get('smtp_host', '')
|
||||||
|
smtp_port = self.email_config.get('smtp_port', 587)
|
||||||
|
smtp_user = self.email_config.get('smtp_user', '')
|
||||||
|
smtp_password = self.email_config.get('smtp_password', '')
|
||||||
|
from_addr = self.email_config.get('from_addr', smtp_user)
|
||||||
|
|
||||||
|
if not smtp_host or not smtp_user or not smtp_password:
|
||||||
|
self.logger.error("邮件配置不完整")
|
||||||
|
return False
|
||||||
|
|
||||||
|
try:
|
||||||
|
msg = MIMEMultipart('alternative')
|
||||||
|
msg['From'] = from_addr
|
||||||
|
msg['To'] = ','.join(to_addrs)
|
||||||
|
msg['Subject'] = Header(subject, 'utf-8')
|
||||||
|
|
||||||
|
if is_html:
|
||||||
|
msg.attach(MIMEText(body, 'html', 'utf-8'))
|
||||||
|
else:
|
||||||
|
msg.attach(MIMEText(body, 'plain', 'utf-8'))
|
||||||
|
|
||||||
|
if attachments:
|
||||||
|
for attachment_path in attachments:
|
||||||
|
attachment_file = Path(attachment_path)
|
||||||
|
if attachment_file.exists():
|
||||||
|
with open(attachment_file, 'rb') as f:
|
||||||
|
part = MIMEApplication(f.read())
|
||||||
|
part.add_header(
|
||||||
|
'Content-Disposition',
|
||||||
|
'attachment',
|
||||||
|
filename=attachment_file.name
|
||||||
|
)
|
||||||
|
msg.attach(part)
|
||||||
|
else:
|
||||||
|
self.logger.warning(f"附件不存在: {attachment_path}")
|
||||||
|
|
||||||
|
server = smtplib.SMTP(smtp_host, smtp_port)
|
||||||
|
server.starttls()
|
||||||
|
server.login(smtp_user, smtp_password)
|
||||||
|
server.sendmail(from_addr, to_addrs, msg.as_string())
|
||||||
|
server.quit()
|
||||||
|
|
||||||
|
self.logger.info(f"邮件发送成功: {subject} -> {to_addrs}")
|
||||||
|
return True
|
||||||
|
|
||||||
|
except smtplib.SMTPAuthenticationError:
|
||||||
|
self.logger.error("邮件认证失败，请检查用户名和密码")
|
||||||
|
except smtplib.SMTPConnectError:
|
||||||
|
self.logger.error("无法连接到SMTP服务器")
|
||||||
|
except smtplib.SMTPSenderRefused:
|
||||||
|
self.logger.error("发件人地址被拒绝")
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"邮件发送失败: {e}")
|
||||||
|
|
||||||
|
return False
|
||||||
|
|
||||||
|
def send_policy_report(
|
||||||
|
self,
|
||||||
|
articles: List[Dict],
|
||||||
|
to_addrs: Optional[List[str]] = None,
|
||||||
|
report_file: Optional[str] = None
|
||||||
|
) -> bool:
|
||||||
|
"""
|
||||||
|
发送政策检索报告邮件
|
||||||
|
|
||||||
|
Args:
|
||||||
|
articles: 文章列表
|
||||||
|
to_addrs: 收件人列表
|
||||||
|
report_file: Excel报告文件路径
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
bool: 发送成功返回True
|
||||||
|
"""
|
||||||
|
if not articles:
|
||||||
|
return False
|
||||||
|
|
||||||
|
subject = f"政策法规检索报告 - {datetime.now().strftime('%Y-%m-%d')}"
|
||||||
|
|
||||||
|
category_stats = {}
|
||||||
|
for article in articles:
|
||||||
|
category = article.get('category', '其他')
|
||||||
|
category_stats[category] = category_stats.get(category, 0) + 1
|
||||||
|
|
||||||
|
source_stats = {}
|
||||||
|
for article in articles:
|
||||||
|
source = article.get('source', '未知')
|
||||||
|
source_stats[source] = source_stats.get(source, 0) + 1
|
||||||
|
|
||||||
|
body_lines = [
|
||||||
|
f"<h2>政策法规检索报告</h2>",
|
||||||
|
f"<p><strong>检索时间:</strong> {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}</p>",
|
||||||
|
f"<p><strong>检索结果:</strong> 共 {len(articles)} 条</p>",
|
||||||
|
f"<h3>按类别统计</h3>",
|
||||||
|
f"<ul>",
|
||||||
|
]
|
||||||
|
|
||||||
|
for category, count in sorted(category_stats.items(), key=lambda x: -x[1]):
|
||||||
|
body_lines.append(f" <li>{category}: {count} 条</li>")
|
||||||
|
body_lines.append(f"</ul>")
|
||||||
|
|
||||||
|
body_lines.append(f"<h3>按来源统计</h3>")
|
||||||
|
body_lines.append(f"<ul>")
|
||||||
|
for source, count in sorted(source_stats.items(), key=lambda x: -x[1]):
|
||||||
|
body_lines.append(f" <li>{source}: {count} 条</li>")
|
||||||
|
body_lines.append(f"</ul>")
|
||||||
|
|
||||||
|
body_lines.append(f"<h3>最新政策列表</h3>")
|
||||||
|
body_lines.append(f"<table border='1' cellpadding='5' style='border-collapse: collapse;'>")
|
||||||
|
body_lines.append(f"<tr><th>标题</th><th>来源</th><th>类别</th><th>发布时间</th></tr>")
|
||||||
|
|
||||||
|
for i, article in enumerate(articles[:20]):
|
||||||
|
title = article.get('title', '')[:50]
|
||||||
|
source = article.get('source', '')
|
||||||
|
category = article.get('category', '')
|
||||||
|
publish_date = article.get('publish_date', '')
|
||||||
|
body_lines.append(
|
||||||
|
f"<tr><td>{title}</td><td>{source}</td><td>{category}</td><td>{publish_date}</td></tr>"
|
||||||
|
)
|
||||||
|
|
||||||
|
body_lines.append(f"</table>")
|
||||||
|
|
||||||
|
if len(articles) > 20:
|
||||||
|
body_lines.append(f"<p>... 共 {len(articles)} 条记录，仅显示前20条</p>")
|
||||||
|
|
||||||
|
body_lines.append(f"<hr>")
|
||||||
|
body_lines.append(f"<p style='color: #666; font-size: 12px;'>")
|
||||||
|
body_lines.append(f"本报告由政策法规检索系统自动生成<br>")
|
||||||
|
body_lines.append(f"</p>")
|
||||||
|
|
||||||
|
body = ''.join(body_lines)
|
||||||
|
attachments = [report_file] if report_file else None
|
||||||
|
|
||||||
|
return self.send_email(subject, body, to_addrs, attachments, is_html=True)
|
||||||
|
|
||||||
|
def send_error_alert(
|
||||||
|
self,
|
||||||
|
error_message: str,
|
||||||
|
to_addrs: Optional[List[str]] = None
|
||||||
|
) -> bool:
|
||||||
|
"""
|
||||||
|
发送错误告警邮件
|
||||||
|
|
||||||
|
Args:
|
||||||
|
error_message: 错误信息
|
||||||
|
to_addrs: 收件人列表
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
bool: 发送成功返回True
|
||||||
|
"""
|
||||||
|
subject = f"[警告] 政策法规检索任务执行失败 - {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"
|
||||||
|
|
||||||
|
body = f"""
|
||||||
|
<h2>任务执行失败告警</h2>
|
||||||
|
<p><strong>发生时间:</strong> {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}</p>
|
||||||
|
<p><strong>错误信息:</strong></p>
|
||||||
|
<pre style="background-color: #f5f5f5; padding: 10px; border-radius: 5px;">{error_message}</pre>
|
||||||
|
<p>请及时检查系统运行状态。</p>
|
||||||
|
"""
|
||||||
|
|
||||||
|
return self.send_email(subject, body, to_addrs, is_html=True)
|
||||||
|
|
||||||
|
|
||||||
|
def create_notifier(config: Dict) -> EmailNotifier:
|
||||||
|
"""创建邮件通知器工厂函数"""
|
||||||
|
return EmailNotifier(config)
|
||||||
493
policy_retrieval.py
Normal file
493
policy_retrieval.py
Normal file
@@ -0,0 +1,493 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
政策法规检索与整理系统
|
||||||
|
自动化从中国税务相关部门网站抓取、筛选、下载和整理政策法规文件
|
||||||
|
"""
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
import logging
|
||||||
|
import os
|
||||||
|
import sys
|
||||||
|
import json
|
||||||
|
import hashlib
|
||||||
|
import time
|
||||||
|
import re
|
||||||
|
from datetime import datetime
|
||||||
|
from pathlib import Path
|
||||||
|
from typing import List, Dict, Optional, Tuple
|
||||||
|
from urllib.parse import urljoin, urlparse
|
||||||
|
import subprocess
|
||||||
|
|
||||||
|
import yaml
|
||||||
|
import requests
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
from apscheduler.schedulers.blocking import BlockingScheduler
|
||||||
|
from apscheduler.triggers.cron import CronTrigger
|
||||||
|
import pandas as pd
|
||||||
|
|
||||||
|
from notifier import EmailNotifier
|
||||||
|
|
||||||
|
|
||||||
|
class PolicyRetrievalSystem:
|
||||||
|
"""政策法规检索与整理系统主类"""
|
||||||
|
|
||||||
|
def __init__(self, config_path: str = None):
|
||||||
|
self.base_dir = Path(__file__).parent
|
||||||
|
self.config_path = config_path or str(self.base_dir / "config.yaml")
|
||||||
|
self.config = self._load_config()
|
||||||
|
self.setup_logging()
|
||||||
|
self.logger = logging.getLogger(__name__)
|
||||||
|
self.scheduler = None
|
||||||
|
self.results = []
|
||||||
|
self.notifier = EmailNotifier(self.config)
|
||||||
|
self.recipients = self.config.get('notification', {}).get('email', {}).get('to_addrs', [])
|
||||||
|
|
||||||
|
def _load_config(self) -> dict:
|
||||||
|
"""加载配置文件"""
|
||||||
|
try:
|
||||||
|
with open(self.config_path, 'r', encoding='utf-8') as f:
|
||||||
|
return yaml.safe_load(f)
|
||||||
|
except FileNotFoundError:
|
||||||
|
return self._default_config()
|
||||||
|
|
||||||
|
def _default_config(self) -> dict:
|
||||||
|
"""默认配置"""
|
||||||
|
return {
|
||||||
|
'scheduler': {'enabled': False, 'time': '09:00', 'days': ['mon', 'tue', 'wed', 'thu', 'fri']},
|
||||||
|
'targets': [{'name': '国家税务总局', 'url': 'https://www.chinatax.gov.cn/', 'enabled': True}],
|
||||||
|
'download': {'path': './downloads', 'formats': ['pdf', 'doc', 'docx', 'txt']},
|
||||||
|
'deduplication': {'title_similarity': 0.8, 'content_similarity': 0.9},
|
||||||
|
'categories': [{'name': '税收政策', 'keywords': ['税收', '税务']}]
|
||||||
|
}
|
||||||
|
|
||||||
|
def setup_logging(self):
|
||||||
|
"""设置日志"""
|
||||||
|
log_config = self.config.get('logging', {})
|
||||||
|
log_dir = self.base_dir / 'logs'
|
||||||
|
log_dir.mkdir(exist_ok=True)
|
||||||
|
|
||||||
|
logging.basicConfig(
|
||||||
|
level=getattr(logging, log_config.get('level', 'INFO')),
|
||||||
|
format=log_config.get('format', '%(asctime)s - %(name)s - %(levelname)s - %(message)s'),
|
||||||
|
handlers=[
|
||||||
|
logging.FileHandler(log_config.get('file', './logs/policy_retrieval.log')),
|
||||||
|
logging.StreamHandler()
|
||||||
|
]
|
||||||
|
)
|
||||||
|
|
||||||
|
def run(self, send_email: bool = True):
|
||||||
|
"""执行一次完整的检索流程
|
||||||
|
|
||||||
|
Args:
|
||||||
|
send_email: 是否发送邮件通知，默认为True
|
||||||
|
"""
|
||||||
|
self.logger.info("=" * 60)
|
||||||
|
self.logger.info("开始执行政策法规检索任务")
|
||||||
|
self.logger.info("=" * 60)
|
||||||
|
|
||||||
|
self.results = []
|
||||||
|
|
||||||
|
targets = [t for t in self.config.get('targets', []) if t.get('enabled', False)]
|
||||||
|
for target in targets:
|
||||||
|
self.logger.info(f"正在检索: {target['name']}")
|
||||||
|
try:
|
||||||
|
articles = self.fetch_articles(target)
|
||||||
|
self.logger.info(f"从 {target['name']} 获取到 {len(articles)} 条记录")
|
||||||
|
self.results.extend(articles)
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"检索 {target['name']} 时出错: {e}")
|
||||||
|
|
||||||
|
self.logger.info(f"共获取 {len(self.results)} 条原始记录")
|
||||||
|
|
||||||
|
filtered_results = self.filter_content(self.results)
|
||||||
|
self.logger.info(f"筛选后保留 {len(filtered_results)} 条记录")
|
||||||
|
|
||||||
|
deduplicated = self.deduplicate(filtered_results)
|
||||||
|
self.logger.info(f"去重后保留 {len(deduplicated)} 条记录")
|
||||||
|
|
||||||
|
categorized = self.categorize(deduplicated)
|
||||||
|
self.logger.info(f"分类完成，共 {len(categorized)} 个类别")
|
||||||
|
|
||||||
|
downloaded = self.download_files(categorized)
|
||||||
|
self.logger.info(f"文件下载完成，{len(downloaded)} 个文件")
|
||||||
|
|
||||||
|
report_file = self.generate_report(downloaded)
|
||||||
|
|
||||||
|
self.logger.info("=" * 60)
|
||||||
|
self.logger.info("政策法规检索任务完成")
|
||||||
|
self.logger.info("=" * 60)
|
||||||
|
|
||||||
|
if send_email and self.recipients:
|
||||||
|
self.logger.info(f"正在发送邮件报告到: {self.recipients}")
|
||||||
|
for article in downloaded:
|
||||||
|
article['category'] = self.get_category(article)
|
||||||
|
|
||||||
|
success = self.notifier.send_policy_report(
|
||||||
|
articles=downloaded,
|
||||||
|
to_addrs=self.recipients,
|
||||||
|
report_file=str(report_file) if report_file else None
|
||||||
|
)
|
||||||
|
if success:
|
||||||
|
self.logger.info("邮件报告发送成功")
|
||||||
|
else:
|
||||||
|
self.logger.warning("邮件报告发送失败")
|
||||||
|
|
||||||
|
return downloaded
|
||||||
|
|
||||||
|
def fetch_articles(self, target: Dict) -> List[Dict]:
|
||||||
|
"""从目标网站获取文章列表"""
|
||||||
|
articles = []
|
||||||
|
keywords = target.get('keywords', [])
|
||||||
|
base_url = target['url']
|
||||||
|
|
||||||
|
try:
|
||||||
|
headers = {
|
||||||
|
'User-Agent': self.config.get('download', {}).get('user_agent', 'Mozilla/5.0')
|
||||||
|
}
|
||||||
|
response = requests.get(base_url, headers=headers, timeout=30)
|
||||||
|
response.encoding = 'utf-8'
|
||||||
|
soup = BeautifulSoup(response.text, 'html.parser')
|
||||||
|
|
||||||
|
links = soup.find_all('a', href=True)
|
||||||
|
for link in links:
|
||||||
|
href = link.get('href', '')
|
||||||
|
text = link.get_text(strip=True)
|
||||||
|
|
||||||
|
if any(kw in text for kw in keywords):
|
||||||
|
full_url = urljoin(base_url, href)
|
||||||
|
article = {
|
||||||
|
'title': text,
|
||||||
|
'url': full_url,
|
||||||
|
'source': target['name'],
|
||||||
|
'fetch_time': datetime.now().strftime('%Y-%m-%d %H:%M:%S'),
|
||||||
|
'keywords': [kw for kw in keywords if kw in text]
|
||||||
|
}
|
||||||
|
articles.append(article)
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
try:
|
||||||
|
detail = self.fetch_article_detail(article['url'], headers)
|
||||||
|
article.update(detail)
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.warning(f"获取详情失败: {article['url']} - {e}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"抓取 {target['name']} 失败: {e}")
|
||||||
|
|
||||||
|
return articles
|
||||||
|
|
||||||
|
def fetch_article_detail(self, url: str, headers: Dict) -> Dict:
|
||||||
|
"""获取文章详情"""
|
||||||
|
detail = {'publish_date': '', 'content': '', 'summary': '', 'file_url': ''}
|
||||||
|
|
||||||
|
try:
|
||||||
|
response = requests.get(url, headers=headers, timeout=30)
|
||||||
|
response.encoding = 'utf-8'
|
||||||
|
soup = BeautifulSoup(response.text, 'html.parser')
|
||||||
|
|
||||||
|
date_pattern = r'(\d{4}[-/年]\d{1,2}[-/月]\d{1,2}[日]?)'
|
||||||
|
text_content = soup.get_text()
|
||||||
|
date_match = re.search(date_pattern, text_content)
|
||||||
|
if date_match:
|
||||||
|
detail['publish_date'] = date_match.group(1).replace('年', '-').replace('月', '-').replace('日', '')
|
||||||
|
|
||||||
|
main_content = soup.find('div', class_=re.compile('content|article|text'))
|
||||||
|
if main_content:
|
||||||
|
detail['content'] = main_content.get_text(strip=True)[:500]
|
||||||
|
detail['summary'] = detail['content'][:200] + '...' if len(detail['content']) > 200 else detail['content']
|
||||||
|
|
||||||
|
file_links = soup.find_all('a', href=re.compile(r'\.(pdf|doc|docx|xls|xlsx|txt)$', re.I))
|
||||||
|
if file_links:
|
||||||
|
detail['file_url'] = file_links[0].get('href', '')
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.warning(f"解析详情失败: {url} - {e}")
|
||||||
|
|
||||||
|
return detail
|
||||||
|
|
||||||
|
def filter_content(self, articles: List[Dict]) -> List[Dict]:
|
||||||
|
"""筛选相关内容"""
|
||||||
|
filter_keywords = ['最新', '通知', '公告', '政策', '法规']
|
||||||
|
filtered = []
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
title = article.get('title', '')
|
||||||
|
if any(kw in title for kw in filter_keywords):
|
||||||
|
filtered.append(article)
|
||||||
|
|
||||||
|
return filtered
|
||||||
|
|
||||||
|
def deduplicate(self, articles: List[Dict]) -> List[Dict]:
|
||||||
|
"""内容去重"""
|
||||||
|
dedup_config = self.config.get('deduplication', {})
|
||||||
|
title_threshold = dedup_config.get('title_similarity', 0.8)
|
||||||
|
|
||||||
|
seen = {}
|
||||||
|
unique_articles = []
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
title_hash = hashlib.md5(article.get('title', '').encode()).hexdigest()
|
||||||
|
|
||||||
|
is_duplicate = False
|
||||||
|
for seen_title, seen_data in seen.items():
|
||||||
|
similarity = self.calculate_similarity(article.get('title', ''), seen_title)
|
||||||
|
if similarity >= title_threshold:
|
||||||
|
if article.get('publish_date') < seen_data.get('publish_date'):
|
||||||
|
del seen[seen_title]
|
||||||
|
seen[article.get('title', '')] = article
|
||||||
|
is_duplicate = True
|
||||||
|
break
|
||||||
|
|
||||||
|
if not is_duplicate:
|
||||||
|
seen[article.get('title', '')] = article
|
||||||
|
unique_articles.append(article)
|
||||||
|
|
||||||
|
return unique_articles
|
||||||
|
|
||||||
|
def calculate_similarity(self, text1: str, text2: str) -> float:
|
||||||
|
"""计算文本相似度"""
|
||||||
|
if not text1 or not text2:
|
||||||
|
return 0.0
|
||||||
|
|
||||||
|
set1 = set(text1)
|
||||||
|
set2 = set(text2)
|
||||||
|
intersection = len(set1 & set2)
|
||||||
|
union = len(set1 | set2)
|
||||||
|
|
||||||
|
return intersection / union if union > 0 else 0.0
|
||||||
|
|
||||||
|
def categorize(self, articles: List[Dict]) -> Dict[str, List[Dict]]:
|
||||||
|
"""分类整理"""
|
||||||
|
categories_config = self.config.get('categories', [])
|
||||||
|
categorized = {}
|
||||||
|
|
||||||
|
for category in categories_config:
|
||||||
|
categorized[category['name']] = []
|
||||||
|
|
||||||
|
categorized['其他政策'] = []
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
content = article.get('title', '') + ' ' + article.get('content', '')
|
||||||
|
assigned = False
|
||||||
|
|
||||||
|
for category in sorted(categories_config, key=lambda x: x.get('priority', 99)):
|
||||||
|
keywords = category.get('keywords', [])
|
||||||
|
if any(kw in content for kw in keywords):
|
||||||
|
categorized[category['name']].append(article)
|
||||||
|
assigned = True
|
||||||
|
break
|
||||||
|
|
||||||
|
if not assigned:
|
||||||
|
categorized['其他政策'].append(article)
|
||||||
|
|
||||||
|
return categorized
|
||||||
|
|
||||||
|
def download_files(self, categorized: Dict[str, List[Dict]]) -> List[Dict]:
|
||||||
|
"""下载文件"""
|
||||||
|
download_config = self.config.get('download', {})
|
||||||
|
download_path = Path(download_config.get('path', './downloads'))
|
||||||
|
download_path.mkdir(parents=True, exist_ok=True)
|
||||||
|
|
||||||
|
formats = download_config.get('formats', ['pdf', 'doc', 'docx', 'txt'])
|
||||||
|
downloaded = []
|
||||||
|
|
||||||
|
for category, articles in categorized.items():
|
||||||
|
category_path = download_path / category
|
||||||
|
category_path.mkdir(exist_ok=True)
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
file_url = article.get('file_url', '')
|
||||||
|
if not file_url:
|
||||||
|
continue
|
||||||
|
|
||||||
|
if any(file_url.lower().endswith(f'.{fmt}') for fmt in formats):
|
||||||
|
try:
|
||||||
|
filename = self.download_file(file_url, category_path)
|
||||||
|
article['local_path'] = str(category_path / filename)
|
||||||
|
downloaded.append(article)
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.warning(f"下载失败: {file_url} - {e}")
|
||||||
|
|
||||||
|
return downloaded
|
||||||
|
|
||||||
|
def download_file(self, url: str, save_path: Path) -> str:
|
||||||
|
"""下载单个文件"""
|
||||||
|
headers = {'User-Agent': self.config.get('download', {}).get('user_agent', 'Mozilla/5.0')}
|
||||||
|
|
||||||
|
response = requests.get(url, headers=headers, timeout=60, stream=True)
|
||||||
|
response.raise_for_status()
|
||||||
|
|
||||||
|
filename = Path(urlparse(url).path).name
|
||||||
|
if not filename:
|
||||||
|
filename = f"document_{int(time.time())}.pdf"
|
||||||
|
|
||||||
|
filepath = save_path / filename
|
||||||
|
with open(filepath, 'wb') as f:
|
||||||
|
for chunk in response.iter_content(chunk_size=8192):
|
||||||
|
f.write(chunk)
|
||||||
|
|
||||||
|
return filename
|
||||||
|
|
||||||
|
def generate_report(self, articles: List[Dict]) -> str:
|
||||||
|
"""生成汇总报告
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
str: 报告文件路径
|
||||||
|
"""
|
||||||
|
output_dir = self.base_dir / 'output'
|
||||||
|
output_dir.mkdir(exist_ok=True)
|
||||||
|
|
||||||
|
today = datetime.now().strftime('%Y%m%d')
|
||||||
|
report_file = output_dir / f'summary_{today}.xlsx'
|
||||||
|
|
||||||
|
if not articles:
|
||||||
|
self.logger.warning("没有数据生成报告")
|
||||||
|
return ""
|
||||||
|
|
||||||
|
df_data = []
|
||||||
|
for article in articles:
|
||||||
|
df_data.append({
|
||||||
|
'标题': article.get('title', ''),
|
||||||
|
'发布时间': article.get('publish_date', ''),
|
||||||
|
'来源': article.get('source', ''),
|
||||||
|
'类别': self.get_category(article),
|
||||||
|
'摘要': article.get('summary', ''),
|
||||||
|
'下载链接': article.get('local_path', article.get('file_url', '')),
|
||||||
|
'关键词': ', '.join(article.get('keywords', [])),
|
||||||
|
'抓取时间': article.get('fetch_time', '')
|
||||||
|
})
|
||||||
|
|
||||||
|
df = pd.DataFrame(df_data)
|
||||||
|
df.to_excel(report_file, index=False, engine='openpyxl')
|
||||||
|
|
||||||
|
json_file = output_dir / f'deduplicated_data_{today}.json'
|
||||||
|
with open(json_file, 'w', encoding='utf-8') as f:
|
||||||
|
json.dump(articles, f, ensure_ascii=False, indent=2)
|
||||||
|
|
||||||
|
self.logger.info(f"报告已生成: {report_file}")
|
||||||
|
self.logger.info(f"数据已保存: {json_file}")
|
||||||
|
|
||||||
|
return str(report_file)
|
||||||
|
|
||||||
|
def get_category(self, article: Dict) -> str:
|
||||||
|
"""获取文章类别"""
|
||||||
|
content = article.get('title', '') + ' ' + article.get('content', '')
|
||||||
|
categories = self.config.get('categories', [])
|
||||||
|
|
||||||
|
for category in sorted(categories, key=lambda x: x.get('priority', 99)):
|
||||||
|
keywords = category.get('keywords', [])
|
||||||
|
if any(kw in content for kw in keywords):
|
||||||
|
return category['name']
|
||||||
|
|
||||||
|
return '其他政策'
|
||||||
|
|
||||||
|
def start_scheduler(self):
|
||||||
|
"""启动定时任务"""
|
||||||
|
scheduler_config = self.config.get('scheduler', {})
|
||||||
|
if not scheduler_config.get('enabled', False):
|
||||||
|
self.logger.info("定时任务未启用")
|
||||||
|
return
|
||||||
|
|
||||||
|
self.scheduler = BlockingScheduler()
|
||||||
|
|
||||||
|
time_parts = scheduler_config.get('time', '09:00').split(':')
|
||||||
|
hour, minute = int(time_parts[0]), int(time_parts[1])
|
||||||
|
|
||||||
|
days_map = {'mon': '0', 'tue': '1', 'wed': '2', 'thu': '3', 'fri': '4', 'sat': '5', 'sun': '6'}
|
||||||
|
days = [days_map.get(d, '0') for d in scheduler_config.get('days', ['mon', 'tue', 'wed', 'thu', 'fri'])]
|
||||||
|
|
||||||
|
trigger = CronTrigger(
|
||||||
|
day_of_week=','.join(days),
|
||||||
|
hour=hour,
|
||||||
|
minute=minute
|
||||||
|
)
|
||||||
|
|
||||||
|
self.scheduler.add_job(self.run, trigger, id='policy_retrieval')
|
||||||
|
|
||||||
|
self.logger.info(f"定时任务已启动，将在每天 {scheduler_config['time']} 执行")
|
||||||
|
|
||||||
|
try:
|
||||||
|
self.scheduler.start()
|
||||||
|
except (KeyboardInterrupt, SystemExit):
|
||||||
|
self.logger.info("定时任务已停止")
|
||||||
|
self.scheduler.shutdown()
|
||||||
|
|
||||||
|
def init_config(self):
|
||||||
|
"""初始化配置文件"""
|
||||||
|
self.logger.info("配置文件已就绪")
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
"""主函数"""
|
||||||
|
parser = argparse.ArgumentParser(description='政策法规检索与整理系统')
|
||||||
|
parser.add_argument('command', choices=['init', 'run', 'schedule', 'report', 'help'],
|
||||||
|
help='命令: init=初始化, run=立即执行, schedule=定时任务, report=查看报告, help=帮助')
|
||||||
|
parser.add_argument('--config', '-c', help='配置文件路径')
|
||||||
|
parser.add_argument('--time', '-t', help='定时任务时间 (如: 09:00)')
|
||||||
|
parser.add_argument('--enable', action='store_true', help='启用定时任务')
|
||||||
|
parser.add_argument('--disable', action='store_true', help='禁用定时任务')
|
||||||
|
parser.add_argument('--no-email', action='store_true', help='不发送邮件报告')
|
||||||
|
parser.add_argument('--email-to', '-e', help='指定收件人邮箱（可多次使用）', action='append')
|
||||||
|
|
||||||
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
system = PolicyRetrievalSystem(config_path=args.config)
|
||||||
|
|
||||||
|
if args.email_to:
|
||||||
|
system.recipients = args.email_to
|
||||||
|
system.config.setdefault('notification', {}).setdefault('email', {})['to_addrs'] = args.email_to
|
||||||
|
system.logger.info(f"邮件将发送到: {system.recipients}")
|
||||||
|
|
||||||
|
send_email = not args.no_email
|
||||||
|
|
||||||
|
if args.command == 'init':
|
||||||
|
system.init_config()
|
||||||
|
print("初始化完成，配置文件: config.yaml")
|
||||||
|
|
||||||
|
elif args.command == 'run':
|
||||||
|
try:
|
||||||
|
system.run(send_email=send_email)
|
||||||
|
except Exception as e:
|
||||||
|
error_msg = f"任务执行失败: {str(e)}"
|
||||||
|
system.logger.error(error_msg)
|
||||||
|
if system.notifier.is_enabled() and system.recipients:
|
||||||
|
system.notifier.send_error_alert(error_msg, system.recipients)
|
||||||
|
raise
|
||||||
|
|
||||||
|
elif args.command == 'schedule':
|
||||||
|
if args.time:
|
||||||
|
system.config['scheduler']['time'] = args.time
|
||||||
|
if args.enable:
|
||||||
|
system.config['scheduler']['enabled'] = True
|
||||||
|
elif args.disable:
|
||||||
|
system.config['scheduler']['enabled'] = False
|
||||||
|
print("定时任务已禁用")
|
||||||
|
return
|
||||||
|
|
||||||
|
with open(system.config_path, 'w', encoding='utf-8') as f:
|
||||||
|
yaml.dump(system.config, f, allow_unicode=True)
|
||||||
|
|
||||||
|
print(f"定时任务时间: {system.config['scheduler']['time']}")
|
||||||
|
print("启动定时任务...")
|
||||||
|
system.start_scheduler()
|
||||||
|
|
||||||
|
elif args.command == 'report':
|
||||||
|
output_dir = Path(__file__).parent / 'output'
|
||||||
|
if output_dir.exists():
|
||||||
|
reports = list(output_dir.glob('summary_*.xlsx'))
|
||||||
|
if reports:
|
||||||
|
latest = max(reports, key=lambda x: x.stat().st_mtime)
|
||||||
|
print(f"最新报告: {latest}")
|
||||||
|
df = pd.read_excel(latest)
|
||||||
|
print(df.to_string())
|
||||||
|
else:
|
||||||
|
print("暂无报告")
|
||||||
|
else:
|
||||||
|
print("暂无报告")
|
||||||
|
|
||||||
|
elif args.command == 'help':
|
||||||
|
parser.print_help()
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
276
processor.py
Normal file
276
processor.py
Normal file
@@ -0,0 +1,276 @@
|
|||||||
|
"""
|
||||||
|
数据处理模块 - 增强版去重与分类
|
||||||
|
"""
|
||||||
|
|
||||||
|
import re
|
||||||
|
import hashlib
|
||||||
|
from typing import List, Dict, Set, Tuple
|
||||||
|
from collections import defaultdict
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
|
||||||
|
class TextSimilarity:
|
||||||
|
"""文本相似度计算"""
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def jaccard_similarity(text1: str, text2: str) -> float:
|
||||||
|
"""Jaccard相似度"""
|
||||||
|
if not text1 or not text2:
|
||||||
|
return 0.0
|
||||||
|
|
||||||
|
set1 = set(TextSimilarity.tokenize(text1))
|
||||||
|
set2 = set(TextSimilarity.tokenize(text2))
|
||||||
|
|
||||||
|
intersection = len(set1 & set2)
|
||||||
|
union = len(set1 | set2)
|
||||||
|
|
||||||
|
return intersection / union if union > 0 else 0.0
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def tokenize(text: str) -> List[str]:
|
||||||
|
"""分词"""
|
||||||
|
text = re.sub(r'[^\w\s]', ' ', text.lower())
|
||||||
|
return [w for w in text.split() if len(w) > 1]
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def levenshtein_distance(s1: str, s2: str) -> int:
|
||||||
|
"""编辑距离"""
|
||||||
|
if len(s1) < len(s2):
|
||||||
|
return TextSimilarity.levenshtein_distance(s2, s1)
|
||||||
|
|
||||||
|
if len(s2) == 0:
|
||||||
|
return len(s1)
|
||||||
|
|
||||||
|
previous_row = range(len(s2) + 1)
|
||||||
|
for i, c1 in enumerate(s1):
|
||||||
|
current_row = [i + 1]
|
||||||
|
for j, c2 in enumerate(s2):
|
||||||
|
insertions = previous_row[j + 1] + 1
|
||||||
|
deletions = current_row[j] + 1
|
||||||
|
substitutions = previous_row[j] + (c1 != c2)
|
||||||
|
current_row.append(min(insertions, deletions, substitutions))
|
||||||
|
previous_row = current_row
|
||||||
|
|
||||||
|
return previous_row[-1]
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def normalized_levenshtein(s1: str, s2: str) -> float:
|
||||||
|
"""归一化编辑距离"""
|
||||||
|
if not s1 or not s2:
|
||||||
|
return 0.0
|
||||||
|
|
||||||
|
max_len = max(len(s1), len(s2))
|
||||||
|
distance = TextSimilarity.levenshtein_distance(s1, s2)
|
||||||
|
return 1 - (distance / max_len)
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def cosine_similarity(text1: str, text2: str) -> float:
|
||||||
|
"""余弦相似度"""
|
||||||
|
if not text1 or not text2:
|
||||||
|
return 0.0
|
||||||
|
|
||||||
|
vec1 = TextSimilarity._get_vector(text1)
|
||||||
|
vec2 = TextSimilarity._get_vector(text2)
|
||||||
|
|
||||||
|
dot_product = sum(v1 * v2 for v1, v2 in zip(vec1, vec2))
|
||||||
|
magnitude1 = sum(v ** 2 for v in vec1) ** 0.5
|
||||||
|
magnitude2 = sum(v ** 2 for v in vec2) ** 0.5
|
||||||
|
|
||||||
|
if magnitude1 == 0 or magnitude2 == 0:
|
||||||
|
return 0.0
|
||||||
|
|
||||||
|
return dot_product / (magnitude1 * magnitude2)
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def _get_vector(text: str) -> List[float]:
|
||||||
|
"""获取词频向量"""
|
||||||
|
tokens = TextSimilarity.tokenize(text)
|
||||||
|
unique_tokens = list(set(tokens))
|
||||||
|
tf = defaultdict(int)
|
||||||
|
|
||||||
|
for token in tokens:
|
||||||
|
tf[token] += 1
|
||||||
|
|
||||||
|
return [tf[t] for t in unique_tokens]
|
||||||
|
|
||||||
|
|
||||||
|
class Deduplicator:
|
||||||
|
"""去重处理器"""
|
||||||
|
|
||||||
|
def __init__(self, title_threshold: float = 0.8, content_threshold: float = 0.9):
|
||||||
|
self.title_threshold = title_threshold
|
||||||
|
self.content_threshold = content_threshold
|
||||||
|
self.seen_titles: Set[str] = set()
|
||||||
|
self.seen_content_hashes: Set[str] = set()
|
||||||
|
|
||||||
|
def deduplicate(self, articles: List[Dict]) -> List[Dict]:
|
||||||
|
"""去重"""
|
||||||
|
unique_articles = []
|
||||||
|
seen_with_date = {}
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
title = article.get('title', '').strip()
|
||||||
|
content = article.get('content', '')
|
||||||
|
publish_date = article.get('publish_date', '')
|
||||||
|
|
||||||
|
if self._is_duplicate_title(title, publish_date, seen_with_date):
|
||||||
|
continue
|
||||||
|
|
||||||
|
if self._is_duplicate_content(content):
|
||||||
|
continue
|
||||||
|
|
||||||
|
self.seen_titles.add(self._normalize_title(title))
|
||||||
|
self.seen_content_hashes.add(self._hash_content(content))
|
||||||
|
|
||||||
|
seen_with_date[title] = article
|
||||||
|
unique_articles.append(article)
|
||||||
|
|
||||||
|
return unique_articles
|
||||||
|
|
||||||
|
def _normalize_title(self, title: str) -> str:
|
||||||
|
"""标准化标题"""
|
||||||
|
title = re.sub(r'\s+', '', title)
|
||||||
|
title = title.lower()
|
||||||
|
return title
|
||||||
|
|
||||||
|
def _is_duplicate_title(self, title: str, publish_date: str, seen: Dict) -> bool:
|
||||||
|
"""检查标题是否重复"""
|
||||||
|
normalized = self._normalize_title(title)
|
||||||
|
|
||||||
|
for seen_title in self.seen_titles:
|
||||||
|
similarity = TextSimilarity.normalized_levenshtein(normalized, seen_title)
|
||||||
|
if similarity >= self.title_threshold:
|
||||||
|
if seen_title in seen:
|
||||||
|
existing_date = seen[seen_title].get('publish_date', '')
|
||||||
|
if publish_date and existing_date:
|
||||||
|
try:
|
||||||
|
if self._parse_date(publish_date) < self._parse_date(existing_date):
|
||||||
|
return True
|
||||||
|
except:
|
||||||
|
pass
|
||||||
|
return True
|
||||||
|
|
||||||
|
return False
|
||||||
|
|
||||||
|
def _is_duplicate_content(self, content: str) -> bool:
|
||||||
|
"""检查内容是否重复"""
|
||||||
|
if not content:
|
||||||
|
return False
|
||||||
|
|
||||||
|
content_hash = hashlib.md5(content.encode('utf-8')).hexdigest()
|
||||||
|
return content_hash in self.seen_content_hashes
|
||||||
|
|
||||||
|
def _hash_content(self, content: str) -> str:
|
||||||
|
"""内容哈希"""
|
||||||
|
return hashlib.md5(content.encode('utf-8')).hexdigest()
|
||||||
|
|
||||||
|
def _parse_date(self, date_str: str) -> datetime:
|
||||||
|
"""解析日期"""
|
||||||
|
date_str = date_str.replace('年', '-').replace('月', '-').replace('日', '')
|
||||||
|
|
||||||
|
formats = ['%Y-%m-%d', '%Y-%m', '%Y']
|
||||||
|
for fmt in formats:
|
||||||
|
try:
|
||||||
|
return datetime.strptime(date_str, fmt)
|
||||||
|
except:
|
||||||
|
continue
|
||||||
|
|
||||||
|
return datetime.min
|
||||||
|
|
||||||
|
|
||||||
|
class CategoryClassifier:
|
||||||
|
"""分类器"""
|
||||||
|
|
||||||
|
def __init__(self, categories: List[Dict]):
|
||||||
|
self.categories = sorted(categories, key=lambda x: x.get('priority', 99))
|
||||||
|
self.keyword_index = self._build_index()
|
||||||
|
|
||||||
|
def _build_index(self) -> Dict:
|
||||||
|
"""构建关键词索引"""
|
||||||
|
index = {}
|
||||||
|
for category in self.categories:
|
||||||
|
for keyword in category.get('keywords', []):
|
||||||
|
index[keyword] = category['name']
|
||||||
|
return index
|
||||||
|
|
||||||
|
def classify(self, article: Dict) -> str:
|
||||||
|
"""分类"""
|
||||||
|
title = article.get('title', '')
|
||||||
|
content = article.get('content', '')
|
||||||
|
full_text = f"{title} {content}"
|
||||||
|
|
||||||
|
scores = {}
|
||||||
|
for category in self.categories:
|
||||||
|
score = 0
|
||||||
|
for keyword in category.get('keywords', []):
|
||||||
|
if keyword in full_text:
|
||||||
|
score += full_text.count(keyword)
|
||||||
|
scores[category['name']] = score
|
||||||
|
|
||||||
|
if not scores or max(scores.values()) == 0:
|
||||||
|
return '其他政策'
|
||||||
|
|
||||||
|
return max(scores, key=scores.get)
|
||||||
|
|
||||||
|
def classify_batch(self, articles: List[Dict]) -> Dict[str, List[Dict]]:
|
||||||
|
"""批量分类"""
|
||||||
|
result = {cat['name']: [] for cat in self.categories}
|
||||||
|
result['其他政策'] = []
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
category = self.classify(article)
|
||||||
|
result[category].append(article)
|
||||||
|
|
||||||
|
return result
|
||||||
|
|
||||||
|
|
||||||
|
class DataExporter:
|
||||||
|
"""数据导出器"""
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def to_excel(articles: List[Dict], filepath: str):
|
||||||
|
"""导出为Excel"""
|
||||||
|
import pandas as pd
|
||||||
|
|
||||||
|
df_data = []
|
||||||
|
for article in articles:
|
||||||
|
df_data.append({
|
||||||
|
'标题': article.get('title', ''),
|
||||||
|
'发布时间': article.get('publish_date', ''),
|
||||||
|
'来源': article.get('source', ''),
|
||||||
|
'类别': article.get('category', '其他政策'),
|
||||||
|
'摘要': article.get('summary', ''),
|
||||||
|
'关键词': ', '.join(article.get('keywords', [])),
|
||||||
|
'原文链接': article.get('url', ''),
|
||||||
|
'本地路径': article.get('local_path', ''),
|
||||||
|
'抓取时间': article.get('fetch_time', '')
|
||||||
|
})
|
||||||
|
|
||||||
|
df = pd.DataFrame(df_data)
|
||||||
|
df.to_excel(filepath, index=False, engine='openpyxl')
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def to_json(articles: List[Dict], filepath: str):
|
||||||
|
"""导出为JSON"""
|
||||||
|
import json
|
||||||
|
|
||||||
|
with open(filepath, 'w', encoding='utf-8') as f:
|
||||||
|
json.dump(articles, f, ensure_ascii=False, indent=2)
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
def to_csv(articles: List[Dict], filepath: str):
|
||||||
|
"""导出为CSV"""
|
||||||
|
import pandas as pd
|
||||||
|
|
||||||
|
df_data = []
|
||||||
|
for article in articles:
|
||||||
|
df_data.append({
|
||||||
|
'标题': article.get('title', ''),
|
||||||
|
'发布时间': article.get('publish_date', ''),
|
||||||
|
'来源': article.get('source', ''),
|
||||||
|
'类别': article.get('category', '其他政策'),
|
||||||
|
'摘要': article.get('summary', '')
|
||||||
|
})
|
||||||
|
|
||||||
|
df = pd.DataFrame(df_data)
|
||||||
|
df.to_csv(filepath, index=False, encoding='utf-8-sig')
|
||||||
7
requirements.txt
Normal file
7
requirements.txt
Normal file
@@ -0,0 +1,7 @@
|
|||||||
|
requests>=2.28.0
|
||||||
|
beautifulsoup4>=4.11.0
|
||||||
|
pyyaml>=6.0
|
||||||
|
apscheduler>=3.10.0
|
||||||
|
pandas>=1.5.0
|
||||||
|
openpyxl>=3.0.0
|
||||||
|
lxml>=4.9.0
|
||||||
313
scraper.py
Normal file
313
scraper.py
Normal file
@@ -0,0 +1,313 @@
|
|||||||
|
"""
|
||||||
|
网页爬取模块 - 增强版爬虫
|
||||||
|
"""
|
||||||
|
|
||||||
|
import re
|
||||||
|
import time
|
||||||
|
import logging
|
||||||
|
from typing import List, Dict, Optional, Callable
|
||||||
|
from urllib.parse import urljoin, urlparse, parse_qs
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
import requests
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
|
||||||
|
logger = logging.getLogger(__name__)
|
||||||
|
|
||||||
|
|
||||||
|
class ProxyManager:
|
||||||
|
"""代理管理器"""
|
||||||
|
|
||||||
|
def __init__(self):
|
||||||
|
self.proxies = []
|
||||||
|
self.current_index = 0
|
||||||
|
|
||||||
|
def add_proxy(self, proxy: str):
|
||||||
|
"""添加代理"""
|
||||||
|
self.proxies.append(proxy)
|
||||||
|
|
||||||
|
def get_proxy(self) -> Optional[Dict]:
|
||||||
|
"""获取代理"""
|
||||||
|
if not self.proxies:
|
||||||
|
return None
|
||||||
|
|
||||||
|
proxy = self.proxies[self.current_index]
|
||||||
|
self.current_index = (self.current_index + 1) % len(self.proxies)
|
||||||
|
return {'http': proxy, 'https': proxy}
|
||||||
|
|
||||||
|
def rotate(self):
|
||||||
|
"""轮换代理"""
|
||||||
|
if self.proxies:
|
||||||
|
self.current_index = (self.current_index + 1) % len(self.proxies)
|
||||||
|
|
||||||
|
|
||||||
|
class RateLimiter:
|
||||||
|
"""频率限制器"""
|
||||||
|
|
||||||
|
def __init__(self, requests_per_second: float = 1.0):
|
||||||
|
self.min_interval = 1.0 / requests_per_second
|
||||||
|
self.last_request_time = 0
|
||||||
|
|
||||||
|
def wait(self):
|
||||||
|
"""等待"""
|
||||||
|
elapsed = time.time() - self.last_request_time
|
||||||
|
if elapsed < self.min_interval:
|
||||||
|
time.sleep(self.min_interval - elapsed)
|
||||||
|
self.last_request_time = time.time()
|
||||||
|
|
||||||
|
|
||||||
|
class WebScraper:
|
||||||
|
"""网页爬虫"""
|
||||||
|
|
||||||
|
def __init__(self, config: Dict = None):
|
||||||
|
self.config = config or {}
|
||||||
|
self.session = requests.Session()
|
||||||
|
self.proxies = ProxyManager()
|
||||||
|
self.rate_limiter = RateLimiter(
|
||||||
|
requests_per_second=self.config.get('requests_per_second', 1.0)
|
||||||
|
)
|
||||||
|
|
||||||
|
self.session.headers.update({
|
||||||
|
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
|
||||||
|
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
|
||||||
|
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
|
||||||
|
'Accept-Encoding': 'gzip, deflate',
|
||||||
|
'Connection': 'keep-alive'
|
||||||
|
})
|
||||||
|
|
||||||
|
def fetch(self, url: str, retry: int = 3) -> Optional[BeautifulSoup]:
|
||||||
|
"""获取页面"""
|
||||||
|
self.rate_limiter.wait()
|
||||||
|
|
||||||
|
for attempt in range(retry):
|
||||||
|
try:
|
||||||
|
proxy = self.proxies.get_proxy()
|
||||||
|
response = self.session.get(
|
||||||
|
url,
|
||||||
|
timeout=self.config.get('timeout', 30),
|
||||||
|
proxies=proxy
|
||||||
|
)
|
||||||
|
response.raise_for_status()
|
||||||
|
response.encoding = response.apparent_encoding or 'utf-8'
|
||||||
|
return BeautifulSoup(response.text, 'html.parser')
|
||||||
|
|
||||||
|
except requests.RequestException as e:
|
||||||
|
logger.warning(f"请求失败 (尝试 {attempt + 1}/{retry}): {url} - {e}")
|
||||||
|
if attempt < retry - 1:
|
||||||
|
time.sleep(2 ** attempt)
|
||||||
|
else:
|
||||||
|
logger.error(f"最终失败: {url}")
|
||||||
|
return None
|
||||||
|
|
||||||
|
return None
|
||||||
|
|
||||||
|
def extract_links(self, soup: BeautifulSoup, base_url: str = None) -> List[str]:
|
||||||
|
"""提取链接"""
|
||||||
|
links = []
|
||||||
|
for a in soup.find_all('a', href=True):
|
||||||
|
href = a.get('href', '')
|
||||||
|
if base_url:
|
||||||
|
full_url = urljoin(base_url, href)
|
||||||
|
else:
|
||||||
|
full_url = href
|
||||||
|
|
||||||
|
if self._is_valid_url(full_url):
|
||||||
|
links.append(full_url)
|
||||||
|
|
||||||
|
return list(set(links))
|
||||||
|
|
||||||
|
def extract_articles(self, soup: BeautifulSoup, selectors: Dict) -> List[Dict]:
|
||||||
|
"""提取文章列表"""
|
||||||
|
articles = []
|
||||||
|
|
||||||
|
article_list = soup.select(selectors.get('list', 'a[href]'))
|
||||||
|
|
||||||
|
for item in article_list:
|
||||||
|
try:
|
||||||
|
title = self._extract_text(item, selectors.get('title', 'a, .title, .content'))
|
||||||
|
url = self._extract_attr(item, 'a', 'href')
|
||||||
|
|
||||||
|
if not title or not url:
|
||||||
|
continue
|
||||||
|
|
||||||
|
article = {
|
||||||
|
'title': title.strip(),
|
||||||
|
'url': url,
|
||||||
|
'url_hash': hash(url)
|
||||||
|
}
|
||||||
|
|
||||||
|
date = self._extract_text(item, selectors.get('date', '.date, .time'))
|
||||||
|
if date:
|
||||||
|
article['publish_date'] = self._parse_date(date)
|
||||||
|
|
||||||
|
articles.append(article)
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
logger.debug(f"解析文章项失败: {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
|
||||||
|
def extract_detail(self, soup: BeautifulSoup, selectors: Dict) -> Dict:
|
||||||
|
"""提取详情页"""
|
||||||
|
detail = {
|
||||||
|
'content': '',
|
||||||
|
'publish_date': '',
|
||||||
|
'attachments': []
|
||||||
|
}
|
||||||
|
|
||||||
|
content_elem = soup.select_one(selectors.get('content', 'div.content, .article-content'))
|
||||||
|
if content_elem:
|
||||||
|
detail['content'] = content_elem.get_text(strip=True)
|
||||||
|
|
||||||
|
date_elem = soup.select_one(selectors.get('date', '.date, .time, .publish-time'))
|
||||||
|
if date_elem:
|
||||||
|
detail['publish_date'] = self._parse_date(date_elem.get_text(strip=True))
|
||||||
|
|
||||||
|
for link in soup.find_all('a', href=True):
|
||||||
|
href = link.get('href', '')
|
||||||
|
if self._is_file_url(href):
|
||||||
|
detail['attachments'].append({
|
||||||
|
'name': link.get_text(strip=True) or self._get_filename(href),
|
||||||
|
'url': href
|
||||||
|
})
|
||||||
|
|
||||||
|
return detail
|
||||||
|
|
||||||
|
def _extract_text(self, element, selector: str) -> str:
|
||||||
|
"""提取文本"""
|
||||||
|
if isinstance(selector, str):
|
||||||
|
elem = element.select_one(selector)
|
||||||
|
else:
|
||||||
|
elem = element
|
||||||
|
|
||||||
|
return elem.get_text(strip=True) if elem else ''
|
||||||
|
|
||||||
|
def _extract_attr(self, element, tag: str, attr: str) -> str:
|
||||||
|
"""提取属性"""
|
||||||
|
target = element if tag == '*' else element.find(tag)
|
||||||
|
return target.get(attr, '') if target else ''
|
||||||
|
|
||||||
|
def _is_valid_url(self, url: str) -> bool:
|
||||||
|
"""验证URL"""
|
||||||
|
if not url:
|
||||||
|
return False
|
||||||
|
|
||||||
|
parsed = urlparse(url)
|
||||||
|
return bool(parsed.scheme and parsed.netloc)
|
||||||
|
|
||||||
|
def _is_file_url(self, url: str) -> bool:
|
||||||
|
"""判断是否为文件URL"""
|
||||||
|
file_extensions = ['.pdf', '.doc', '.docx', '.xls', '.xlsx', '.txt', '.zip', '.rar']
|
||||||
|
return any(url.lower().endswith(ext) for ext in file_extensions)
|
||||||
|
|
||||||
|
def _get_filename(self, url: str) -> str:
|
||||||
|
"""获取文件名"""
|
||||||
|
parsed = urlparse(url)
|
||||||
|
path = parsed.path
|
||||||
|
return path.split('/')[-1] if '/' in path else 'unknown'
|
||||||
|
|
||||||
|
def _parse_date(self, date_str: str) -> str:
|
||||||
|
"""解析日期"""
|
||||||
|
date_str = date_str.strip()
|
||||||
|
|
||||||
|
patterns = [
|
||||||
|
(r'(\d{4})[-/年](\d{1,2})[-/月](\d{1,2})[-/日]?', '%Y-%m-%d'),
|
||||||
|
(r'(\d{4})[-/年](\d{1,2})[-/月]', '%Y-%m'),
|
||||||
|
(r'(\d{4})年(\d{1,2})月(\d{1,2})日', '%Y-%m-%d')
|
||||||
|
]
|
||||||
|
|
||||||
|
for pattern, fmt in patterns:
|
||||||
|
match = re.search(pattern, date_str)
|
||||||
|
if match:
|
||||||
|
try:
|
||||||
|
if len(match.groups()) == 3:
|
||||||
|
date = datetime(*map(int, match.groups()[:3]))
|
||||||
|
else:
|
||||||
|
date = datetime(*map(int, match.groups()[:2]), 1)
|
||||||
|
return date.strftime('%Y-%m-%d')
|
||||||
|
except:
|
||||||
|
continue
|
||||||
|
|
||||||
|
return date_str
|
||||||
|
|
||||||
|
|
||||||
|
class TaxPolicyScraper(WebScraper):
|
||||||
|
"""税务政策专用爬虫"""
|
||||||
|
|
||||||
|
TAX_WEBSITES = {
|
||||||
|
'chinatax': {
|
||||||
|
'name': '国家税务总局',
|
||||||
|
'base_url': 'https://www.chinatax.gov.cn',
|
||||||
|
'policy_paths': [
|
||||||
|
'/npsite/chinatax/zcwj/',
|
||||||
|
'/npsite/chinatax/tzgg/',
|
||||||
|
'/cloudfw/zcwj/'
|
||||||
|
],
|
||||||
|
'selectors': {
|
||||||
|
'list': '.list, ul.news-list li, .article-list a',
|
||||||
|
'title': 'a, .title',
|
||||||
|
'date': '.date, .time',
|
||||||
|
'content': '.content, .article-content, #zoom',
|
||||||
|
'detail_title': 'h1, .title'
|
||||||
|
}
|
||||||
|
},
|
||||||
|
'mof': {
|
||||||
|
'name': '财政部',
|
||||||
|
'base_url': 'https://www.mof.gov.cn',
|
||||||
|
'policy_paths': [
|
||||||
|
'/zhengwugongkai/zhengceku/zhengcefagui/',
|
||||||
|
'/zhengwugongkai/zhengceku/'
|
||||||
|
],
|
||||||
|
'selectors': {
|
||||||
|
'list': '.policy-list a, .news-list li a',
|
||||||
|
'title': 'a, .title',
|
||||||
|
'date': '.date, .time',
|
||||||
|
'content': '.content, #zoom'
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
def __init__(self, website: str = 'chinatax', config: Dict = None):
|
||||||
|
super().__init__(config)
|
||||||
|
self.website = website
|
||||||
|
self.config_data = self.TAX_WEBSITES.get(website, self.TAX_WEBSITES['chinatax'])
|
||||||
|
|
||||||
|
def scrape_policies(self, keywords: List[str] = None) -> List[Dict]:
|
||||||
|
"""爬取政策列表"""
|
||||||
|
keywords = keywords or ['最新', '通知', '公告', '政策', '法规']
|
||||||
|
results = []
|
||||||
|
|
||||||
|
base_url = self.config_data['base_url']
|
||||||
|
policy_paths = self.config_data['policy_paths']
|
||||||
|
|
||||||
|
for path in policy_paths:
|
||||||
|
url = base_url + path
|
||||||
|
logger.info(f"正在爬取: {url}")
|
||||||
|
|
||||||
|
soup = self.fetch(url)
|
||||||
|
if not soup:
|
||||||
|
continue
|
||||||
|
|
||||||
|
articles = self.extract_articles(soup, self.config_data['selectors'])
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
if any(kw in article.get('title', '') for kw in keywords):
|
||||||
|
article['source'] = self.config_data['name']
|
||||||
|
results.append(article)
|
||||||
|
|
||||||
|
time.sleep(1)
|
||||||
|
|
||||||
|
return results
|
||||||
|
|
||||||
|
def get_policy_detail(self, url: str) -> Dict:
|
||||||
|
"""获取政策详情"""
|
||||||
|
soup = self.fetch(url)
|
||||||
|
if not soup:
|
||||||
|
return {}
|
||||||
|
|
||||||
|
detail = self.extract_detail(soup, self.config_data['selectors'])
|
||||||
|
detail['url'] = url
|
||||||
|
|
||||||
|
return detail
|
||||||
Reference in New Issue
Block a user