Python + pyspider某小说站的爬虫，入数据库，火车头发布，资...

fei

Python + pyspider某小说站的爬虫，入数据库，火车头发布，资源下载到本地，另可写爬虫！

1. #!/usr/bin/env python
     S& Y6 o& F! G; }3 O
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   ! h+ i/ S  Z0 e! {1 H: G0 M& W2 E4 j
4. # Project: XiaoShuo
   
5. 
   9 `2 J$ n& r1 y$ z* `. I4 N
6. from pyspider.libs.base_handler import *
   , R$ V( [6 V2 F! t0 X
7. import pymysql
   
8. import random
   9 U7 i# r" A' N7 e, X2 O9 f
9. import datetime
   # P4 r6 K  X  N  ?4 v! `7 y: V
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    
13. import re
    
14. import codecs
    
15. import requests
    
16. import json
    
17. 
    $ N; P! r1 l0 z0 o+ S
18. class Handler(BaseHandler):
    
19.     global Datos
    
20.     global P_dir   
    
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    $ H0 h; Y' t2 N, }' \2 w4 F
22.     global Datos
    " O) L* S" _7 Z, H
23.     Datos = {}
    ( f1 i, {8 M+ b8 C# `& }
24.     headers= {
    . r" c/ k" i" C8 @
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    ; a2 ?9 g; V/ ?$ V: {5 g
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    
29.     'Connection':'keep-alive',
    
30.     'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.101 Safari/537.36'
    
31.     }
    
32.     crawl_config = {
    
33.         'headers' : headers,
    8 E; n3 F7 U$ s- `# }) t+ x" `
34.         'timeout' : 300
    
35.     }
    6 @& l& t% _7 `: y1 Q2 ^& @
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    1 F5 t, x/ w2 @! N  }, n  {' k
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    2 @( c/ S# M; t0 u: R  S
38.         try:
    0 w; W! d1 [/ n/ z" [% q( u
39.             cursor = db.cursor()
    
40.             #注意此处字符串的占位符要加双引号"%s"
    
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    
42. #            print(sql)
    
43.             cursor.execute(sql)
    ! w) [! _& p0 D% O" j
44.             
    8 q+ r8 r  ]; l% }/ n
45.             #qid = cursor.lastrowid
    ) l( Y/ _& v7 ]- y9 W6 `
46.             #print(qid)
    
47.             
    
48.             db.commit()
    1 F6 a+ ?# A( F8 V9 o. P, A
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    / E) [$ W- O% X& z* z5 O) U' o
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    
53.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    
54.         try:
    . O6 f  B* {% Q' j' A1 h# K
55.             cursor = db.cursor()
    / R1 |9 @% y* ~9 x( G7 _  j* \
56.             #注意此处字符串的占位符要加双引号"%s"
    
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    
58. #            print(sql)
    : H" f$ H) y0 @8 E+ X
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
      p5 m. A) U9 y! z9 W; t% u( Q
63.             
      H* L) F$ S; v5 P
64.             db.commit()
    , ^/ B0 u0 i/ m8 v) o7 T, l, [
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    
67.             db.rollback()
    8 L, ~  V# X% v1 {4 u; L
68.     def add_question(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date):
    # g, `2 t' L: S/ r+ X9 C
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    4 A+ h5 }: `5 d0 S
70.         try:
    
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
    * P. j2 i! Q; H. M
73.             sql = ' INSERT INTO BookConte (Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date) VALUES("%s","%s","%s","%s","%s","%s","%s","%s","%s","%s","%s","%s","%s")' % (Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date);
      P9 |9 c1 ~% k  t: q* c) i
74.             print(sql)
    # W: M+ u$ w1 g5 x' L8 c
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    : z, y# P8 j- |  V- @) r
77.             db.commit()
    
78.         except Exception as err:
    : |6 A: m4 d6 ^# M
79. #        except:
    . J' g! e9 j$ N7 T. n4 |
80. #            print('Failed')
    . Q6 T4 R& F5 X$ t& J' ?
81.             print("Error %s for execute sql: %s" % (err, sql))
    $ B: W0 o7 b, P. V1 i
82.             db.rollback()
    
83.         
    : F' Z) m/ T% V
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    ( R  n# s* r4 {0 ?5 I7 c
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    7 @- L5 J) m' c9 \" Y. Q, |; L
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    0 _, f! i' F2 v) E1 l
90.             'my_p':'密码',   #后台密码
    9 |5 m! e9 V% T% }3 L4 m
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    / ^+ F  w& G! S. w9 W2 }8 \
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    & E7 F/ y5 ]; U0 K
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    ( s6 j% j: C- `9 f% b
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     & I$ E3 h3 l, q* `& d- N7 t# L1 ~- E
101.             res = requests.post(locoy_url, data=locoy_data)
     * v$ a1 ?& P8 J: y4 q
102.             print res.text
     
103.             print res.content
     3 U* N5 Y% N3 }: C" w4 \; b* O
104. #            print Dsd
     5 k  Q" g9 t6 H3 f
105.             return res
     # F1 ~4 ^' C5 j5 ?# b
106.    
     , p" e8 p6 m/ Q1 m  l: ~' f
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     2 m) P- y4 V  o+ X; j: F* H4 Z; E* U
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
       b  v2 n- Z3 e+ A
112.         self.page_num = 1
     ! g$ C) T: k  E5 E- R9 X7 ]) q
113.         self.total_num = 200   
     
114. 
     8 b& F6 h: C6 F! \9 t  O( r
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     ( N2 H( C% t" Q9 Y
117.         global Cater_Name
     $ ]7 G% x7 ~/ X, i2 _
118.         Cater_Name = []
     * [# c4 c+ I! ]7 t
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     * M) S# D" `& F! G
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     9 v  S& D$ D9 k( x6 G+ w7 _3 s
124.                     Cater_Name = '武侠'
     % S5 k3 Y* P3 D* n* C! h
125.                 if self.CaterId  == 'lishi':
     . s& a! q- A% L( H
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     9 n& J3 F8 u  @' h
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
       J0 w+ S- |  E  L. N
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     # a+ p9 Z8 B9 \$ {( D$ V# V5 P! m
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     , g8 r: n! h  p2 x# ^
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     % X2 ^1 T0 O- T# u
138.             self.page_num += 1
       ]! o  G& A* b. a
139.             
     
140.     def list_Caterg(self, response):
     $ f) k5 K6 M/ o. {% P' J/ z$ K
141.         Cater_Name = response.save
     + \. U8 h' d; J' x  ^1 O
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     4 s' _' d$ q0 }$ x" c9 ?8 n
145.     def list_Caterg_detail(self, response):
     & `2 w8 [  T; {1 a6 N% U
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     ; C7 ^/ `! L  u6 t
152.         Book_Introduction = response.doc('.book-intro > div').text()
     & n/ [0 k) i+ k% X
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     " O8 v9 ^* R5 d, g2 M- [( \
155. #        print Book_Synopsis
     3 X% k  }6 o$ W8 m0 z1 K
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     " B2 A0 ^# b  ?5 c7 O* t
157. #        print Book_Palabras
     / D" v) G( b! @) f' ^- {; o0 r
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
     , b& i7 V5 o* N+ q' w
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     + h1 E2 |' K4 W1 T  O; r
162.             img = imgs.attr.src
     5 L$ `0 D- k( j( N# @
163.             print img
     
164.                 #小说封面下载
     ' @, Q: u4 I6 R% g, t
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
       ?# S6 R, x; z( ]
169.             Locaimg = imgDir + "/" + file_name
     * j/ D0 K. C  \% Y6 X
170.             print Locaimg
     
171.             if(self.download(P_dir, imgDir, file_name, img)):   #这2行可注译，图片下载到本地
     + ~3 |6 y8 \5 H
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     ! [  W& R) y/ D, P
177.                     "Book_Synopsis":Book_Synopsis,
       k4 F! \8 j7 t
178.                     "Book_Palabras":Book_Palabras,
     * R" ~" i+ s& Q9 t( d/ R( i
179.                     "img":img,
     
180.                 }
       f: }3 B5 F, N+ G
181.             self.add_BookFile(Bookname, BookIDs, img, Locaimg, Book_Dates)  #这行可注译，数据库发布接口，方便其他系统的发布
     
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     6 Y$ @3 K3 Y2 z! [. O
185.     @config(age=8 * 60 * 60)   
     ; T" p7 n- q+ l$ f0 J4 T5 Z8 i! Y
186.     def index_page(self, response):
     
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     8 P& F/ r2 t% p/ U, B, L
189.                    "Book_author":response.save['Book_author'],
     9 c2 L- g- n$ ~- x) e' {' p
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ( f5 n8 k7 k: v2 k: f
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     
194.                      }
     
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     ; l( N- h% o  ^4 h' b9 l/ k2 g5 |
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     5 o3 A/ V; x/ P" h6 V
198.     @config(priority=2)
     
199.     @catch_status_code_error
     . R* h0 R+ p  L; f/ ^) H2 _
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     3 u5 n$ y+ V% C. s  k
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     + x$ @' Z/ j+ P) ?7 M9 }
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     , }5 `/ ~' J4 ^. R
207.         NewRe8 = u'ffhgf'
     9 D/ X7 T7 B; l' {/ [
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     7 V+ C. n! O- C. q8 D+ |
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     + K+ X1 L- `1 b) ~1 B7 P
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
       j3 H  m+ y; s+ G. I' K
218.         Book_author = response.save['Book_author']   #小说作者
     
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     5 c4 `2 Y2 j' v% W
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     5 @* K- ^; k. J0 `0 s
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     
222.         Bookurl = response.url   #小说网址
     + H  H4 t) T. M" X6 v3 g
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     ) b* A: ^0 I- e1 t
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     8 a0 g# H, K; ~- D+ d* P9 b  |
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     6 K1 X' S9 E  t1 I
226.         abover = response.doc('.article-title').text() + response.save['Book_Synopsis'] + response.save['Book_Palabras'] + response.save['Book_Introduction']   #小说状态(连载还是完成)
     
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
       H4 r) v3 [% F6 h
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     ' b2 j4 S# y9 C
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     . J+ [# ?' I& Y2 @" ~' A
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     , l, H) ^, O5 m% h: b1 @
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     8 @- d; q' [, ]8 S$ g  L5 e( r) E
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     " F1 p  y4 r9 D# y+ w
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     3 o/ N; M: B" W/ p
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     2 V! `: b& M7 _* V# Z: G
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     6 q# D/ K  u2 y# B# n6 k. N) {
242.         Book_img = response.save['img'],  #小说图片
     
243.             
     7 i0 C7 S" ^6 L% |- G2 }7 g' d  h& ]
244.         #insert into MySQL 小说入库
     
245.         self.add_question(Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date)   #这行可注译，数据库发布接口，方便其他系统的发布
     
246.         self.add_comment(Bookname, Booktitle, BookID, Titleid, Book_Date)   #这行可注译，数据库发布接口，方便其他系统的发布
     
247.         #post提交发布
     ) q) d& O/ Q* @* c/ W1 _
248.         self.add_locoy(Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover)  #这行可注译，火车头发布接口，不需要可取消
     ) y, Y/ g3 M# J3 k+ Q
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     ' \8 N* h! I& i) w. q
251.                    "Book_author":response.save['Book_author'],
     / K/ B+ y' u) f! w! W) c2 d
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     ) D; p6 T/ A' Z+ n3 e: }
255.                    "img":response.save['img'],
     4 Y6 E( e0 k3 i  L$ V
256.                      }
     
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     8 N" \6 j1 I8 L! R5 H+ A6 D( I
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     
260.             "Cater_Name":Cater_Name,
     0 J* t, h! Z) Y# C" ^! `
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     ! \, [) ?- G/ v
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     ( v* w/ K3 t- L, v) p5 `
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     ) P( P/ f/ P5 _% R3 T+ F
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     % M% y  ^- K. n. ^: ^
271.             "Titleid": Titleid,
     / T/ t, S2 {' _  [- T7 \
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     ; _& g- i9 v1 Y5 ]
274.         }
     * J7 P. _1 y" l& V7 R" |
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     - U  v3 d9 _% p1 E8 f
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     : K" A  L% {' b. n# p/ M8 A- ^
279. #        print file
     7 j  H( y: S. S0 M3 K  h8 f
280.         f = open(file, 'wb+')
     9 e; g' R2 [; a/ w
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
       i# N: `& L0 f
284.         #保存图片前
     
285.     def save_imgs(self,response):
     . p+ |2 n4 N% n( J- e
286.         content = response.content
     
287.         file_name = response.save["file_name"]
     ! j* j! E  @, u. q6 A# g
288.         imgDir = response.save["imgDir"]
     8 d* T* r, }3 m7 i
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     - B/ Y4 w: B2 W9 ^0 v
291.     #保存图片
     . r1 w7 d/ c( e9 K/ C" i
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
       h# c. g: n2 M! N
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     * v, B. v) `& u+ d2 n
298.     #获取url后缀名
     % V8 {1 ]7 P  t& D  e
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     
303.     #获取图片名
     + B3 d# V6 Y. `9 O( a/ `; M6 t: E
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

2 \( [  n9 }; Z/ ^9 R9 e