秦秋旭
5acb847bc1
主要变更： 1. 重命名 ygp_crawler.py -> main.py 2. API参数优化： - tradingProcess 固定传 "513,2C52,3C52" 精准筛选中标结果 - pageSize 固定为 50 提高抓取效率 - 通过 publishStartTime/publishEndTime 传入时间范围 3. 默认查询最近3个月（原为当天） 4. 增量爬取改为默认开启（移除 -i 参数） 5. CSV文件添加 UTF-8 BOM，Excel可直接打开 6. 更新 README.md 文档 7. 添加前端 JS 代码参考文件到 assets/ 目录 使用方法： - 增量更新：python main.py - 全量查询：rm results.csv && python main.py Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>
110 lines
3.5 KiB
Markdown
110 lines
3.5 KiB
Markdown
# 广东省公共资源交易平台爬虫
|
||
|
||
本项目是一个 Python 爬虫程序，用于抓取 [广东省公共资源交易平台](https://ygp.gdzwfw.gov.cn/#/44/jygg) 的中标结果公告。
|
||
|
||
## 功能特性
|
||
|
||
- **精准筛选**：通过 `tradingProcess` 字段直接筛选中标结果，无需标题关键词过滤。
|
||
- **日期范围查询**：支持指定开始和结束日期，**默认为最近3个月**。
|
||
- **高效分页**：每页 50 条记录，自动处理多页数据抓取。
|
||
- **API 时间过滤**：时间参数直接通过接口 `publishStartTime` 和 `publishEndTime` 传入，减少无效数据传输。
|
||
- **动态构造 URL**：根据接口返回字段自动生成可直接访问的详情页链接。
|
||
- **纯 HTTP 请求**：直接使用 aiohttp 调用官方 API，无需浏览器，轻量高效。
|
||
- **CSV 实时保存**：数据实时保存到 CSV 文件（带 UTF-8 BOM，Excel 可直接打开），同时输出到终端。
|
||
- **自定义输出路径**：支持通过参数指定输出文件路径。
|
||
- **增量爬取**：自动从已有 CSV 文件计算时间范围，只抓取新数据，避免重复。如需全量查询，删除 CSV 文件即可。
|
||
- **数据排序**：新数据在前，旧数据在后，按发布时间倒序排列。
|
||
|
||
## 环境要求
|
||
|
||
- Python 3.8+
|
||
|
||
## 安装步骤
|
||
|
||
1. **克隆项目并进入目录**
|
||
```bash
|
||
cd ygp-gdzwfw-gov-cn
|
||
```
|
||
|
||
2. **创建并激活虚拟环境 (推荐)**
|
||
```bash
|
||
python3 -m venv venv
|
||
source venv/bin/activate # macOS/Linux
|
||
# 或 venv\Scripts\activate # Windows
|
||
```
|
||
|
||
3. **安装依赖**
|
||
```bash
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 1. 抓取最近3个月的数据 (默认)
|
||
直接运行脚本，程序将自动抓取最近3个月的中标结果公告。
|
||
```bash
|
||
python main.py
|
||
```
|
||
|
||
### 2. 抓取指定日期范围
|
||
使用 `--start-date` 和 `--end-date` 参数（格式：`YYYY-MM-DD`）。
|
||
```bash
|
||
python main.py --start-date 2026-02-01 --end-date 2026-02-04
|
||
```
|
||
|
||
**示例：抓取最近7天的数据**
|
||
```bash
|
||
python main.py --start-date 2026-01-29 --end-date 2026-02-05
|
||
```
|
||
|
||
### 3. 自定义输出文件路径
|
||
使用 `-o` 或 `--output` 参数指定输出 CSV 文件的路径（默认为 `results.csv`）。
|
||
```bash
|
||
python main.py --start-date 2026-02-01 --end-date 2026-02-04 -o my_data.csv
|
||
```
|
||
|
||
### 4. 增量爬取（默认开启）
|
||
脚本默认启用增量爬取模式。会自动读取已有 CSV 文件，计算时间范围，只抓取新数据。
|
||
|
||
**自动计算日期范围（推荐）**：
|
||
```bash
|
||
# 自动从已有数据的最新日期+1开始，爬取到今天
|
||
python main.py
|
||
```
|
||
|
||
**手动指定日期范围**：
|
||
```bash
|
||
# 手动指定日期范围（仍会去重）
|
||
python main.py --start-date 2026-02-01 --end-date 2026-02-04
|
||
```
|
||
|
||
**全量查询**：
|
||
```bash
|
||
# 删除 CSV 文件后运行，即可进行全量查询
|
||
rm results.csv
|
||
python main.py
|
||
```
|
||
|
||
**增量爬取特性**：
|
||
- 自动识别已有 CSV 文件中的数据时间范围
|
||
- 自动去重（根据详情链接判断）
|
||
- 新数据插入到文件前面，旧数据保留在后面
|
||
- 如果无新数据可抓取，自动退出
|
||
|
||
## 数据输出示例
|
||
|
||
### 终端输出（JSON 格式，便于阅读）
|
||
```json
|
||
{
|
||
"项目标题": "某某项目中标结果公示",
|
||
"发布时间": "2026-02-04 17:30:02",
|
||
"详细链接": "https://ygp.gdzwfw.gov.cn/#/44/new/jygg/v3/A?noticeId=..."
|
||
}
|
||
```
|
||
|
||
### CSV 文件格式
|
||
```csv
|
||
项目标题,发布时间,详细链接
|
||
某某项目中标结果公示,2026-02-04 17:30:02,https://ygp.gdzwfw.gov.cn/#/44/new/jygg/v3/A?...
|
||
```
|