220 lines
4.6 KiB
Markdown
220 lines
4.6 KiB
Markdown
# 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
|