""" 从Excel文件导入关键词到baidu_keyword表 """ import pandas as pd import logging import argparse import os import time import glob import shutil from database_config import DatabaseManager from datetime import datetime # 配置日志 logging.basicConfig( level=logging.DEBUG, format='%(asctime)s - %(levelname)s - %(message)s' ) logger = logging.getLogger(__name__) def read_excel_keywords_with_department(excel_path, query_column='query', department_column='科室'): """ 读取Excel文件中的关键词和部门信息 Args: excel_path: Excel文件路径 query_column: query列名，默认为'query' department_column: 部门列名，默认为'科室'，如果为None则不读取部门信息 Returns: 包含(keyword, department)元组的列表，如果没有部门列则department为None """ try: # 读取Excel文件 df = pd.read_excel(excel_path) logger.info(f"成功读取Excel文件: {excel_path}") logger.info(f"Excel文件包含 {len(df)} 行数据") logger.info(f"Excel列名: {df.columns.tolist()}") # 检查query列是否存在 if query_column not in df.columns: logger.error(f"未找到query列: {query_column}") return [] # 检查是否有部门列 has_department = department_column and department_column in df.columns if department_column and not has_department: logger.warning(f"未找到department列: {department_column}，将不使用部门信息") # 获取query数据 query_data = df[query_column].dropna() query_list = query_data.tolist() # 根据是否有部门列，组合数据 keyword_dept_pairs = [] if has_department: # 有部门列，获取部门数据 department_data = df[department_column].dropna() # 对齐数据长度，取最短长度 min_length = min(len(query_data), len(department_data)) query_list = query_data.iloc[:min_length].tolist() department_list = department_data.iloc[:min_length].tolist() for i in range(min_length): keyword = str(query_list[i]).strip() department = str(department_list[i]).strip() if keyword and department: # 确保关键词和部门都不为空 keyword_dept_pairs.append((keyword, department)) else: # 没有部门列，只提取关键词 logger.info("没有部门列，将只导入关键词，不指定科室") for keyword in query_list: keyword = str(keyword).strip() if keyword: # 确保关键词不为空 keyword_dept_pairs.append((keyword, None)) # 去除重复项，保留第一个出现的组合 seen = set() unique_keyword_dept_pairs = [] for keyword, dept in keyword_dept_pairs: if (keyword, dept) not in seen: seen.add((keyword, dept)) unique_keyword_dept_pairs.append((keyword, dept)) if has_department: logger.info(f"提取到 {len(unique_keyword_dept_pairs)} 个唯一的关键词-部门组合") else: logger.info(f"提取到 {len(unique_keyword_dept_pairs)} 个唯一的关键词") return unique_keyword_dept_pairs except Exception as e: logger.error(f"读取Excel文件失败: {e}", exc_info=True) raise def get_department_id(db_manager, department_name): """ 根据科室名称从ai_departments表中获取对应的ID Args: db_manager: 数据库管理器实例 department_name: 科室名称 Returns: 科室ID，如果未找到则抛出异常 """ try: # 查询科室ID - 使用正确的字段名 sql = "SELECT id FROM ai_departments WHERE department_name = %s" result = db_manager.execute_query(sql, (department_name,), fetch_one=True) if result: return result[0] # 返回ID else: error_msg = f"未找到科室 '{department_name}' 的ID，请先在ai_departments表中添加该科室" logger.error(error_msg) raise ValueError(error_msg) except Exception as e: logger.error(f"查询科室ID失败: {e}", exc_info=True) raise def get_author_info_by_department(db_manager, department_id): """ 根据科室ID从ai_authors表中获取任一符合条件的作者信息 Args: db_manager: 数据库管理器实例 department_id: 科室ID Returns: (author_id, author_name) 元组，如果未找到则返回 (None, None) """ try: # 查询符合条件的作者信息 sql = "SELECT id, author_name FROM ai_authors WHERE department_id = %s AND status = 'active' AND daily_post_max > 0 LIMIT 1" result = db_manager.execute_query(sql, (department_id,), fetch_one=True) if result: return result[0], result[1] # 返回 author_id, author_name else: logger.warning(f"未找到科室ID {department_id} 下符合条件的活跃作者") return None, None except Exception as e: logger.error(f"查询作者信息失败: {e}", exc_info=True) return None, None def import_keywords_to_db(db_manager, keyword_dept_pairs, seed_id=9999, seed_name='手动提交', crawled=1, batch_size=100, sleep_seconds=0.1): """ 将关键词批量导入到baidu_keyword表 Args: db_manager: 数据库管理器实例 keyword_dept_pairs: 包含(keyword, department)元组的列表 seed_id: 种子ID，默认9999 seed_name: 种子名称，默认'手动提交' crawled: 是否已爬取，默认1 batch_size: 日志批次大小，每多少条记录输出一次进度 sleep_seconds: 每条记录间隔睡眠时间（秒），默认0.1秒 Returns: 成功导入的数量 """ if not keyword_dept_pairs: logger.warning("没有关键词需要导入") return 0 try: logger.info(f"开始导入 {len(keyword_dept_pairs)} 个关键词-部门组合到数据库...") logger.info("采用逐条查询+插入模式，避免重复") # 准备SQL语句 check_sql = "SELECT COUNT(*) FROM baidu_keyword WHERE keyword = %s" insert_sql = """ INSERT INTO baidu_keyword (keyword, seed_id, seed_name, crawled, parents_id, created_at, department, department_id, query_status, author_id, author_name) VALUES (%s, %s, %s, %s, 0, NOW(), %s, %s, %s, %s, %s) """ success_count = 0 skip_count = 0 failed_count = 0 # 逐条处理 for idx, (keyword, department) in enumerate(keyword_dept_pairs, 1): try: if department: logger.debug(f'[调试] 处理第 {idx}/{len(keyword_dept_pairs)} 条: {keyword}, 部门: {department}') else: logger.debug(f'[调试] 处理第 {idx}/{len(keyword_dept_pairs)} 条: {keyword}, 无部门信息') # 1. 如果有部门信息，获取科室ID和作者信息 if department: dept_id = get_department_id(db_manager, department) author_id, author_name = get_author_info_by_department(db_manager, dept_id) else: # 没有部门信息，使用默认值（空字符串而不是None，避免数据库NOT NULL约束） department = '' dept_id = 0 author_id = 0 author_name = '' # 2. 查询关键词是否存在 result = db_manager.execute_query(check_sql, (keyword,), fetch_one=True) exists = result[0] > 0 if result else False if exists: skip_count += 1 logger.debug(f'[调试] 关键词已存在，跳过: {keyword}') else: # 3. 不存在则插入 if department: logger.debug(f'[调试] 准备插入: {keyword}, 部门: {department}, 部门ID: {dept_id}, 作者ID: {author_id}, 作者名: {author_name}, query_status: manual_review') else: logger.debug(f'[调试] 准备插入: {keyword}, 无部门信息, query_status: manual_review') affected = db_manager.execute_update( insert_sql, (keyword, seed_id, seed_name, crawled, department, dept_id, 'manual_review', author_id, author_name), autocommit=True ) if affected > 0: success_count += 1 if department: logger.debug(f'[调试] 插入成功: {keyword}, 部门: {department}, 部门ID: {dept_id}, 作者ID: {author_id}, 作者名: {author_name}, query_status: manual_review') else: logger.debug(f'[调试] 插入成功: {keyword}, 无部门信息, query_status: manual_review') # 5. 输出进度 if idx % batch_size == 0 or idx == len(keyword_dept_pairs): progress = (idx / len(keyword_dept_pairs)) * 100 logger.info(f'[插入进度] {idx}/{len(keyword_dept_pairs)} ({progress:.1f}%) | 成功: {success_count} | 跳过: {skip_count} | 失败: {failed_count}') # 6. 每次执行完sleep time.sleep(sleep_seconds) except ValueError as ve: # 遇到科室不存在的错误，停止整个导入过程 logger.error(f'[错误] 第 {idx} 条记录遇到错误: {ve}') raise ve except Exception as e: failed_count += 1 logger.warning(f'[调试] 处理失败 [{idx}/{len(keyword_dept_pairs)}]: keyword={keyword}, 部门={department}，错误：{e}') logger.info(f"导入完成！成功插入: {success_count} | 跳过已存在: {skip_count} | 失败: {failed_count}") return success_count except Exception as e: logger.error(f"导入关键词失败: {e}", exc_info=True) raise def main(): """主函数""" # 检查query_upload文件夹是否存在 upload_folder = 'query_upload' if not os.path.exists(upload_folder): logger.error(f'未找到 {upload_folder} 文件夹') return # 查找Excel文件 excel_patterns = ['*.xlsx', '*.xls'] excel_files = [] for pattern in excel_patterns: excel_files.extend(glob.glob(os.path.join(upload_folder, pattern))) excel_files.extend(glob.glob(os.path.join(upload_folder, pattern.upper()))) if not excel_files: logger.error(f'{upload_folder} 文件夹中未找到Excel文件 (.xlsx 或 .xls)') return logger.info(f'在 {upload_folder} 文件夹中找到 {len(excel_files)} 个Excel文件:') for i, file_path in enumerate(excel_files, 1): logger.info(f' {i}. {os.path.basename(file_path)}') # 如果只有一个文件，直接使用；如果有多个文件，让用户选择 if len(excel_files) == 1: excel_path = excel_files[0] logger.info(f'自动选择文件: {os.path.basename(excel_path)}') else: print('\n找到多个Excel文件，请选择要使用的文件:') for i, file_path in enumerate(excel_files, 1): print(f' {i}. {os.path.basename(file_path)}') while True: try: choice = int(input(f'请选择文件 (1-{len(excel_files)}): ')) if 1 <= choice <= len(excel_files): excel_path = excel_files[choice - 1] break else: print(f'请输入1到{len(excel_files)}之间的数字') except ValueError: print('请输入有效的数字') # 从database_config.py读取默认配置 from database_config import DB_CONFIG # 解析命令行参数 parser = argparse.ArgumentParser(description='导入Excel关键词到baidu_keyword表') parser.add_argument('--host', default=DB_CONFIG['host'], help='数据库主机') parser.add_argument('--port', type=int, default=3306, help='数据库端口') parser.add_argument('--user', default=DB_CONFIG['user'], help='数据库用户名') parser.add_argument('--password', default=DB_CONFIG['password'], help='数据库密码') parser.add_argument('--database', default=DB_CONFIG['database'], help='数据库名') parser.add_argument('--batch-size', type=int, default=1, help='日志批次大小') parser.add_argument('--sleep', type=float, default=0.1, help='每条记录间隔时间（秒）') parser.add_argument('--query-column', default='query', help='Excel中的query列名，默认为query') parser.add_argument('--dept-column', default='科室', help='Excel中的部门列名，默认为科室') parser.add_argument('--seed-id', type=int, default=9999, help='种子ID') parser.add_argument('--seed-name', default='手动提交', help='种子名称') # 移除了命令行参数，改为交互式询问 args = parser.parse_args() # Excel文件路径已经在上面确定了 # excel_path 已经被赋值 # 创建数据库连接配置 db_config = { 'host': args.host, 'port': args.port, 'user': args.user, 'password': args.password, 'database': args.database, 'charset': DB_CONFIG['charset'] # 使用database_config.py中的字符集配置 } logger.info("=" * 60) logger.info("开始导入关键词到baidu_keyword表") logger.info(f"数据库配置: {args.user}@{args.host}:{args.port}/{args.database}") logger.info(f"Excel文件: {os.path.basename(excel_path)}") logger.info("=" * 60) # 创建数据库管理器 db_manager = DatabaseManager(db_config) try: # 1. 读取Excel文件 keyword_dept_pairs = read_excel_keywords_with_department(excel_path, args.query_column, args.dept_column) # 询问用户是要导入全部数据还是部分测试 print(f"\nExcel中共有 {len(keyword_dept_pairs)} 条数据") while True: choice = input("请选择导入方式: A) 全部导入 B) 测试模式(输入前N条数据): ").strip().upper() if choice == 'A': # 全部导入 break elif choice == 'B': try: test_count = int(input(f"请输入要测试的条数 (1-{len(keyword_dept_pairs)}): ")) if 1 <= test_count <= len(keyword_dept_pairs): keyword_dept_pairs = keyword_dept_pairs[:test_count] print(f"已选择导入前 {test_count} 条数据进行测试") break else: print(f"输入超出范围，请输入1到{len(keyword_dept_pairs)}之间的数字") except ValueError: print("请输入有效的数字") else: print("请输入 A 或 B") if not keyword_dept_pairs: logger.warning("没有可导入的关键词，程序退出") return # 打印前10个关键词-部门组合作为预览 logger.info(f"\n关键词-部门预览（前10个）:") for i, (keyword, department) in enumerate(keyword_dept_pairs[:10], 1): logger.info(f" {i}. {keyword} (部门: {department})") if len(keyword_dept_pairs) > 10: logger.info(f" ... 还有 {len(keyword_dept_pairs) - 10} 个关键词-部门组合") # 2. 确认导入 print("\n" + "=" * 60) print(f"即将导入 {len(keyword_dept_pairs)} 个关键词-部门组合到 baidu_keyword 表") print(f"配置: seed_id={args.seed_id}, seed_name='{args.seed_name}', crawled=1") confirm = input("确认导入? (y/n): ").strip().lower() if confirm != 'y': logger.info("用户取消导入") return # 3. 执行导入 success_count = import_keywords_to_db( db_manager=db_manager, keyword_dept_pairs=keyword_dept_pairs, seed_id=args.seed_id, seed_name=args.seed_name, crawled=1, batch_size=args.batch_size, sleep_seconds=args.sleep ) logger.info("=" * 60) logger.info(f"✓ 导入完成！共成功导入 {success_count} 个关键词") logger.info("=" * 60) # 运行完成后自动删除 query_upload 文件夹中的所有文件（仅在成功时） try: upload_folder = 'query_upload' for filename in os.listdir(upload_folder): file_path = os.path.join(upload_folder, filename) if os.path.isfile(file_path): os.remove(file_path) logger.info(f'已删除文件: {filename}') logger.info('已清理 query_upload 文件夹中的所有文件') except Exception as e: logger.error(f'清理 query_upload 文件夹时出错: {e}') except Exception as e: logger.error(f"✗ 导入过程出错: {e}", exc_info=True) logger.info("=" * 60) logger.info("✗ 导入失败") logger.info("=" * 60) # 导入失败时不删除源文件，以便排查问题 if __name__ == '__main__': main()