research/pdf_downloader/translate-news.py

@@ -21,11 +21,14 @@ DB_CONFIG = {
 TRANSLATE_API_URL = "http://47.113.231.200:28081/translate"
 
 # 指定时间（格式：YYYY-MM-DD HH:MM:SS）
-LOADTIME_AFTER = "2026-02-10 11:59:00"
+LOADTIME_AFTER = "2026-01-16 10:40:00"
 
 # 目标站点列表
 TARGET_SRCNAMES = [
-    'https://www.38north.org/'  # 添加你的站点
+    'http://www.rodong.rep.kp/ko/index.php?MUBAMUAxQA==',
+    'http://www.kcna.kp/kp/category/articles/q/5394b80bdae203fadef02522cfb578c0.kcmsf',
+    'https://energynow.com/category/press_releases/',
+    'https://www.fao.org/newsroom/en'  # 添加你的站点
 ]
 
 # 单次请求间隔（秒），避免 API 被限流
@@ -101,7 +104,7 @@ def translate_content_with_paragraphs(content: str) -> str:
 def update_record(cursor, es_sid: int, new_title: str, new_content: str):
     update_query = """
         UPDATE indeximos 
-        SET es_abstract = % s, es_content = % s 
+        SET es_title = % s, es_content = % s 
         WHERE es_sid = % s
     """
     cursor.execute(update_query, (new_title, new_content, es_sid))
@@ -119,8 +122,8 @@ def main():
             SELECT es_sid, es_urltitle, es_urlcontent
             FROM indeximos
             WHERE es_loadtime > %s
-              AND (es_content IS NULL OR TRIM(es_content) = '')
+              AND (es_title IS NULL OR TRIM(es_title) = '')
---               AND es_srcname IN ({placeholders})
+              AND es_srcname IN ({placeholders})
               AND LENGTH(es_video) > 5
         """
         params = [LOADTIME_AFTER] + TARGET_SRCNAMES

spiders/MediaSpiders/MediaSpiders/scrapy_selenium/middlewares.py

@@ -76,7 +76,7 @@ class SeleniumMiddleware:
             }
             edge_options.add_experimental_option("prefs", prefs)
 
-            self.driver = Edge(executable_path=r"C:\Program Files\Python38\msedgedriver.exe", options=edge_options)
+            self.driver = Edge(executable_path="C:/Users/DELL/Downloads/edgedriver_win64/msedgedriver.exe", options=edge_options)
 
     @classmethod
     def from_crawler(cls, crawler):

spiders/MediaSpiders/MediaSpiders/settings.py

@@ -110,8 +110,8 @@ CUSTOM_USER_AGENT = [
 
 # 部署在外网采集fb时使用selenium_chrome
 SELENIUM_DRIVER_NAME = 'chrome'
-# SELENIUM_DRIVER_EXECUTABLE_PATH = 'local'
+SELENIUM_DRIVER_EXECUTABLE_PATH = 'local'
-SELENIUM_DRIVER_EXECUTABLE_PATH = 'http://144.34.185.108:28098'
+# SELENIUM_DRIVER_EXECUTABLE_PATH = 'http://144.34.185.108:28098'
 SELENIUM_DRIVER_ARGUMENTS = [
     '--headless',
     '--no-sandbox',

spiders/MediaSpiders/MediaSpiders/spiders/TwitterUserSpider.py

@@ -1,17 +1,24 @@
 # -*- coding: utf-8 -*-
 import json
 import logging as logger
+import random
 import re
+import time
 from urllib import parse
 
 import redis
 import scrapy
 from scrapy_selenium import SeleniumRequest
-
+from selenium import webdriver
+from selenium.webdriver.support.ui import WebDriverWait
+from selenium.webdriver.support import expected_conditions as EC
+from selenium.webdriver.common.by import By
 from MediaSpiders.items import MediaspidersItem
 from MediaSpiders.utils.http_utils import http_post
 from MediaSpiders.utils.login_utils import login
 from MediaSpiders.utils.time_utils import get_time_stamp, get_current_timestamp
+from selenium.webdriver.common.action_chains import ActionChains
+
 from MediaSpiders.utils.traslate_utils import translate_single, translate_content_with_paragraphs, needs_translation
 
 
@@ -35,8 +42,8 @@ class TwitterSpider(scrapy.Spider):
         'IMAGES_RESULT_FIELD': 'es_urlimage',
         'FILES_STORE': r'/usr/local/videos',
         'FILES_RESULT_FIELD': 'es_video',
-        'ZIP_FILE_NAME': 'image_data_ship_',  # 图片包名称
+        'ZIP_FILE_NAME': 'image_data_publicinfo_',
-        'FILE_ZIP_FILE_NAME': 'image_data_plane_',  # 视频包名称
+        'FILE_ZIP_FILE_NAME': 'image_data_plane_',
         'ITEM_PIPELINES': {
             'scrapy.pipelines.images.ImagesPipeline': 2,
             'scrapy.pipelines.files.FilesPipeline': 1,
@@ -72,34 +79,32 @@ class TwitterSpider(scrapy.Spider):
         self.redis_client = redis.Redis(host=self.settings['REDIS_HOST'], port=self.settings['REDIS_PORT'],
                                         password=self.settings['REDIS_PWD'])
         self.simhash_filter_key = self.settings['TWITTER_SIMHASH_FILTER_KEY']
+        cookie_string = None
         # 获取采集登录账号并登录
         login_users = self.redis_client.smembers('MediaSpiders:Twitter_login_accounts')
-        # 从redis中 使用已有cookies，否则自动化登录网页获取cookies
+        # 尝试自动化登录网页获取 cookies，若失败则从redis中 使用已有cookies
-        cookie_string = self.redis_client.get("MediaSpiders:Twitter_Cookies").decode()
+        try:
-        ct0 = None
+
-        if cookie_string:
+            driver = login().login_with_selenium(
+                'https://x.com/i/flow/login',
+                self.name,
+                login_users=login_users,
+                response=response
+            )
+            cookies = driver.get_cookies()
+            # 取cookie中的ct0为x-csrf-token，取gt为x-guest-token
+            self.cookie_dict = {}
+            for cookie in cookies:
+                self.cookie_dict[cookie['name']] = cookie['value']
+        except Exception as e:
+            logger.info("自动化获取cookies失败")
+            cookie_string = self.redis_client.get("MediaSpiders:Twitter_Cookies").decode()
             self.cookie_dict = form_cookie_dict(cookie_string)
             # 5. 构建 headers
             ct0 = self.cookie_dict.get('ct0')
             if not ct0:
                 logger.error("redis中cookie缺失ct0 (CSRF token)！")
                 return
-        else:
-            try:
-
-                driver = login().login_with_selenium(
-                    'https://x.com/i/flow/login',
-                    self.name,
-                    login_users=login_users,
-                    response=response
-                )
-                cookies = driver.get_cookies()
-                # 取cookie中的ct0为x-csrf-token，取gt为x-guest-token
-                self.cookie_dict = {}
-                for cookie in cookies:
-                    self.cookie_dict[cookie['name']] = cookie['value']
-            except Exception as e:
-                logger.info("自动化获取cookies失败")
 
         self.header = {
             'Host': 'api.twitter.com',
@@ -132,7 +137,7 @@ class TwitterSpider(scrapy.Spider):
             yield scrapy.Request(url=graphql_url, callback=self.parse,
                                  meta={
                                      'uid': user_info['userUid'],
-                                     # 'proxy': 'http://127.0.0.1:10808',
+                                     'proxy': 'http://127.0.0.1:10809',
                                      'currentCount': 0
                                  },
                                  cookies=self.cookie_dict, headers=self.header)

spiders/WebsiteSpider/WebsiteSpider/settings.py

@@ -12,9 +12,8 @@ SCHEDULER_PERSIST = True
 SELENIUM_DRIVER_NAME = 'firefox'
 SELENIUM_DRIVER_EXECUTABLE_PATH = [
     'http://10.55.13.121:28095',
-    # 'http://10.55.13.108:28095',
+    'http://10.55.13.108:28095',
     'http://10.55.13.3:28095',
-    'http://74.121.148.204:28095'
 ]
 SELENIUM_DRIVER_ARGUMENTS = ['-headless']  # '--headless' if using chrome instead of firefox
 SELENIUM_DRIVER_PREFERENCES = {
@@ -169,7 +168,7 @@ ITEM_PIPELINES = {
 }
 
 ############################## 翻译
-MAX_TEXT_LENGTH = 5999
+MAX_TEXT_LENGTH = 100
 # 翻译 API 地址（替换为你的服务器 IP 或域名）
 TRANSLATE_API_URL = "http://47.113.231.200:28082/translate"
 # 单次请求间隔（秒），避免 API 被限流

spiders/WebsiteSpider/WebsiteSpider/utils/date_utils.py

@@ -137,7 +137,7 @@ def get_format_time(pattern, time_str):
 
 if __name__ == '__main__':
     # a = ['  令和4年6月9日', 'www.kcna.kp (主体111.6.6.)', '民國111年06月09日 ', 'Jun. 9, 2022', '111年 06月 21日']
-    a = ['Wed, 12/03/2025 - 12:00']
+    a = ['2026년 1월 6일 화요일 1면 [사진있음]']
     for _ in a:
-        print(get_time_stamp(_))
+        # print(get_time_stamp(_))
-        # print(get_time_stamp(_, {r"(\d{2}.\d{2}.\d{4})\D*(\d{2}\d{2}\d{2})*\D*": ['%d-%m-%Y %H:%M:%S']}))
+        print(get_time_stamp(_, {r"(\d{4}년 \d{1,2}월 \d{1,2}일)\D*(\d{2}:\d{2}:\d{2})*\D*": ['%Y-%m-%d %H:%M:%S']}))

spiders/WebsiteSpider/WebsiteSpider/utils/traslate_utils.py

@@ -73,6 +73,3 @@ def update_record(cursor, es_sid: int, new_title: str, new_content: str):
         WHERE es_sid = % s
     """
     cursor.execute(update_query, (new_title, new_content, es_sid))
-
-if __name__ == "__main__":
-    print(translate_content_with_paragraphs("ВСУ провалили наступление на Сумском и Харьковском направлениях, сообщили РИА Новости в силовых структурах. В результате слаженных действий российских бойцов контратаки отражены, а противник обращен в бегство.   Введенные ЕС ограничения на передвижения российских дипломатов противоречат Венской конвенции о дипломатических сношениях и мешают нормальной  работе дипмиссий. Об этом  заявил РИА Новости посол России в Бельгии Денис Гончар.  Вице-президент США Джей Ди Вэнс посетит с визитом Армению и Азербайджан.  Поездка в Ереван состоится 9-10 февраля, в Баку – 10-11 февраля. В Вашингтон Вэнс вернется \"в среду вечером\", сообщает его пресс-пул.  Либерально-демократическая партия под руководством премьер-министра Японии Санаэ Такаити победила на выборах в ключевую нижнюю палату парламента. Представители ЛДП получат 316 из 465 мандатов и смогут проводить законопроекты, даже если они не получат поддержки верхней палаты, где партия не имеет большинства.  В России самая низкая безработица в странах \"Большой двадцатки\", выяснило РИА Новости, изучив данные национальных статслужб по итогам 2025 года. Уровень безработицы в России в декабре составил 2,2 процента, что на одну десятую процента ниже показателя 2024 года."))