# 南京公共工程建设中心 - 公告抓取工具

一个用于抓取南京公共工程建设中心公告信息的 Web 可视化工具。

## 功能特性

- ✅ 抓取公告列表(支持分页)
- ✅ 按时间范围智能抓取
- ✅ 抓取公告详情内容
- ✅ 智能提取预算金额
- ✅ 生成统计报告
- ✅ Web可视化界面
- ✅ 导出Word/Markdown报告
- ✅ RESTful API支持

## 安装

```bash
npm install
```

## 使用方法

### 1. 启动服务器

```bash
npm start
```

### 2. 访问界面

打开浏览器访问: **http://localhost:3000**

### 3. 功能介绍

**公告列表标签**
- 快速查看所有公告
- 支持分页浏览
- 一键获取最新公告列表

**详情抓取标签**
- 批量抓取公告详情
- 支持按时间范围抓取
- 自动提取预算金额
- 可自定义抓取数量

**生成报告标签**
- 支持按时间范围生成报告
- 设置金额阈值筛选项目
- 实时统计项目信息
- 一键导出Word/Markdown报告

## 报告示例

```markdown
# 南京公共工程建设项目报告

**生成时间**: 2025/12/12 11:00:03

## 统计摘要

- 总项目数: 10
- 超过50万元的项目: 3
- 总金额: 5395.50万元

## 项目列表

### 1. 项目名称

- **发布日期**: 2025-12-12
- **发布时间**: 2025-12-12 10:35:00
- **预算金额**: 5000万元
- **链接**: https://...
```

## API 接口文档

服务器启动后提供以下 RESTful API 接口:

### 1. 获取公告列表
```
GET /api/list?url=<列表页URL>&page=<页码>
```
参数:
- `url` (可选): 列表页URL,默认为官网首页
- `page` (可选): 页码,默认为1

### 2. 按时间范围获取列表
```
POST /api/list-daterange
Content-Type: application/json

{
  "startDate": "2025-11-01",
  "endDate": "2025-12-31",
  "maxPages": 23
}
```

### 3. 批量获取详情
```
POST /api/details
Content-Type: application/json

{
  "items": [{ "title": "...", "href": "...", "date": "..." }],
  "limit": 10
}
```

### 4. 生成报告
```
POST /api/report
Content-Type: application/json

{
  "url": "https://gjzx.nanjing.gov.cn/gggs/",
  "limit": 15,
  "threshold": 50
}
```

### 5. 按时间范围生成报告
```
POST /api/report-daterange
Content-Type: application/json

{
  "startDate": "2025-11-01",
  "endDate": "2025-12-31",
  "threshold": 50,
  "maxPages": 23
}
```

## 技术栈

- **后端**: Node.js + Express
- **爬虫**: Axios + Cheerio
- **前端**: 原生HTML/CSS/JavaScript
- **编码处理**: iconv-lite (支持GBK/UTF-8)
- **文档导出**: docx.js

## 项目结构

```
.
├── src/
│   └── server.js         # Web服务器及API
├── public/
│   ├── index.html        # Web界面
│   └── app.js           # 前端逻辑
├── package.json
└── README.md
```

## 注意事项

1. 抓取速度已限制为每条延迟500ms-1s,避免请求过快
2. 仅支持 gjzx.nanjing.gov.cn 域名的详情页解析
3. 金额提取基于正则匹配,支持多种格式(预算金额、最高限价等)
4. Web服务器默认端口3000,可在 server.js 中修改
5. 按时间范围抓取会在检测到所有公告早于起始日期时自动停止
6. 编码自动识别,支持GBK和UTF-8网页

## 核心功能说明

### 时间范围抓取逻辑

按时间范围抓取时,程序会:
1. 从第一页开始顺序抓取
2. 检查每页公告的日期是否在指定范围内
3. 如果某页所有公告都早于起始日期,自动停止抓取
4. 支持设置最大页数限制,避免过度抓取

### 金额提取规则

支持识别以下格式:
- 预算金额: XX万元
- 最高限价: XX万元
- 预算: XX万元
- 金额: XX万元
- 直接数字: XX万元

### 编码处理

自动识别网页编码:
- 优先读取 Content-Type 中的 charset
- 自动处理 GBK、GB2312 编码
- 默认使用 UTF-8

## 常见问题

### Q: 为什么抓取速度比较慢?
A: 为了避免对服务器造成过大压力,程序限制了请求频率(每条延迟500ms-1s)。这是一个负责任的爬虫设计。

### Q: 如何抓取指定日期范围的公告?
A: 在Web界面的"详情抓取"和"生成报告"标签中勾选"按时间范围抓取",然后输入起始和结束日期即可。

### Q: 导出的报告在哪里?
A: 点击"导出Word"或"导出Markdown"按钮后会自动下载到浏览器的默认下载目录。

### Q: 可以抓取其他网站吗?
A: 需要修改 server.js 中的 BASE_URL 和相应的解析函数,因为不同网站的HTML结构不同。

## 更新日志

### v1.0.0 (2025-12-12)
- Web可视化界面
- 支持按时间范围抓取
- 支持分页浏览
- 支持导出Word/Markdown报告
- RESTful API接口
- 自动编码识别
- 智能金额提取

## License

MIT