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
   
2. # -*- encoding: utf-8 -*-
   ) c7 ~3 D% I8 R2 `
3. # Created on 2019-05-05 21:43:11
   . \0 Y6 X/ J' j2 C) H
4. # Project: XiaoShuo
   
5. 
   : o% m1 P3 d: Q& M2 W% J6 e* A
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   
8. import random
   2 G' I" P# M7 \. |& \
9. import datetime
   2 Z4 o. ^7 E- ]9 Y' t. \- W! c& E
10. import urllib2,HTMLParser,re
    , g# P' V: C$ o  `2 b& ?  I- S
11. import os
    & A, x3 G3 T% l
12. import sys
    
13. import re
    0 N( [7 U4 B+ K6 _8 w2 T" E
14. import codecs
    
15. import requests
    
16. import json
    
17. 
    , R7 |% h6 o! A& J# T) L
18. class Handler(BaseHandler):
    . ?: \. A$ i8 T
19.     global Datos
    3 [0 J2 d) F9 i
20.     global P_dir   
    
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    
22.     global Datos
    
23.     Datos = {}
    ! N( l' J, n/ ?9 Z5 }
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    
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'
      U: P' X9 n# ^% D2 v- t. y2 \
31.     }
    $ n, h0 ?) ~+ H, |/ G3 a7 G
32.     crawl_config = {
    
33.         'headers' : headers,
    
34.         'timeout' : 300
    & ]! S8 f% s7 s* `. p
35.     }
    4 T! d. ~2 I  b
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    + q  K6 y' o3 @
38.         try:
    : J( T- t$ W$ I2 t9 \$ _
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)
    6 D9 K& y4 P' d4 g- r  D
44.             
    
45.             #qid = cursor.lastrowid
    ) J: I% b8 w' r" Q* i
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    ( _( Q0 n  c* w- ]8 a
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    ) M3 R- S8 }" s) G1 L. n' u
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:
    8 X1 s  ^5 B) o6 U2 Z' ~7 e6 ?- {
55.             cursor = db.cursor()
    
56.             #注意此处字符串的占位符要加双引号"%s"
    # o3 Z, G/ z& M8 T3 l! }0 l; M
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    % K& R: L4 J1 _/ }. k
58. #            print(sql)
    ' a& Y1 ^, T6 ^" ?: q2 J
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    3 f- |6 ~- |* C; j% x) V
62.             #print(qid)
    ( ?) X1 [; O5 I0 f" P* s
63.             
    
64.             db.commit()
    
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    
67.             db.rollback()
    
68.     def add_question(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date):
    
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    4 ?- r* T- ~3 m. V
70.         try:
    : V+ p9 |* j  ~3 H+ l1 {
71.             cursor = db.cursor()
    3 X. ?* p# R) ?
72.             #注意此处字符串的占位符要加双引号"%s"
    
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);
    
74.             print(sql)
    ; z. Q% Q: E$ C( d, f
75.             cursor.execute(sql)
    - ^! h' i& B2 o6 F) D7 f( X# |
76.             print(cursor.lastrowid)
    . x* f5 l: F& N( S0 v
77.             db.commit()
    
78.         except Exception as err:
    " {" O8 V' P/ B
79. #        except:
    
80. #            print('Failed')
    ; t' F( K. a. }- {% q
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    
83.         
    " G. H* g2 y) N  f5 J# N
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    4 S9 Y9 W4 B$ W  H8 P
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
      w8 `& N, c3 G8 c" e3 \
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    
88.             locoy_data = {
    5 t# m  O4 I' e) @$ D
89.             'my_u':'用户名',   #后台用户名
    
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    & b: [0 n% M( v# _
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    6 v1 D* n: k) a! e1 \  K; p5 l; R
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    * y7 X: M( o7 c2 ]
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    5 a9 g6 b- J' X# n) L
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     $ T9 r8 X# e$ u+ q0 F" M
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     8 @- \% d: q9 T& L$ v$ }
103.             print res.content
     
104. #            print Dsd
     ! x) N2 ^# a* J
105.             return res
     
106.    
     
107.     def __init__(self):
     6 U' F  S: v' _, d2 M* F
108.         self.base_url1 = 'https://www.****.cc/'
     " d: s3 u6 h8 W. N5 Z
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     , b7 M8 d! c1 v9 J" l
114. 
     
115.     @every(minutes=8 * 60)
     * K$ i. d5 k& r
116.     def on_start(self):
     
117.         global Cater_Name
     6 b8 y1 _0 E! I; m; Y* @4 @' o( E; J! e
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
       S5 c7 q+ ~+ P& j$ G4 k2 R: W- T5 W
120.             for self.CaterId in self.CaterIds:
     # I& k: }# p) x" U& v
121.                 if self.CaterId  == 'xuanhuan':
     , U$ e, n1 @# h
122.                      Cater_Name = '玄幻'
     $ r; K- _; E0 ?+ N& `4 C2 x
123.                 if self.CaterId  == 'wuxia':
     ) S3 V; s* X8 A
124.                     Cater_Name = '武侠'
     * ~9 q+ j) |* B7 n0 L
125.                 if self.CaterId  == 'lishi':
     * l3 i9 Q$ r$ y* `# h" k
126.                     Cater_Name = '历史'            
     ; z6 _/ e9 e7 |- d) q; I; k! n
127.                 if self.CaterId  == 'yanqing':
     ; p; ?0 c! k3 W' d: a4 W
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     # s+ d* y* U# v& ], J
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     9 e$ W( S3 W/ Q! a" s
132.                     Cater_Name = '科幻'
       X& _1 a0 }+ `
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     
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)
     
138.             self.page_num += 1
     - g$ V; A7 j1 q8 o# a- M
139.             
     ( H0 V. L* S+ Y  p3 w- F
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     9 w1 \: v+ a) H$ G
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     8 @) n. B5 |8 _- y  U( @9 L
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     # Z% r) C& h' S( P
144.             
     $ }/ C* Y8 O, B9 p, j) b- q
145.     def list_Caterg_detail(self, response):
     & @6 s9 {3 p5 _9 h  C4 X& @1 [) [
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     % L1 f7 ]2 H% Q$ o) R
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     7 ]3 y) s0 n" s, V- a
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     5 d0 w! y- D$ W5 S8 {( m
159. #        print BookIDs
     " p' c& B; N& ~
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     " w* n; u- [! z" V7 S
167.             file_name = name + "." + extension
     1 n3 C! O5 G. q8 y4 L! L
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     8 B2 T; G) Y: p
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
     
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     8 _2 o4 r* U6 d' P
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     ' \# R9 [. K- M
176.                     "Book_Introduction":Book_Introduction,
     
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     
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
     , a! p3 s% n0 X+ L$ ~3 [
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     ) x9 R) v. j; }  X) O
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     $ f' B1 G- M% p* J0 }! i. N
184.             
     , O: j; N% g0 A) o# g/ x: B
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
       z9 T+ }" ?5 O# X' S5 B
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     
190.                    "Book_Introduction":response.save['Book_Introduction'],
     6 V1 o8 I7 `5 p  V" T& E8 k. @
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
     ; `5 X+ m( F& J0 q
193.                    "img":response.save['img'],
     ( b4 _8 v* M" }( {  b, T% t
194.                      }
     3 ]' ~4 N, w/ q5 ?
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     6 n0 z3 u( M8 v0 P
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     ( a: s/ ]) D1 x# F4 D) k
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     3 Y" m/ }- a) c. G
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     7 R% v& i  j( n" |
207.         NewRe8 = u'ffhgf'
     : k* u+ z% `6 ~' _$ a
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     . a/ c$ j7 O" S$ j  i
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
     
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     ) `& N8 z5 R4 U+ q- [
218.         Book_author = response.save['Book_author']   #小说作者
     8 a& Y5 ^6 R& i
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     
222.         Bookurl = response.url   #小说网址
     ) u6 h* L6 c# P  W5 n1 z5 ]
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     0 E, f! C+ G: d) f
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     / v$ @& g) N/ c) y7 V4 Z# c$ f* F
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     - N% }: g* A/ X; p+ @, w3 B5 y! @
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)
     $ n% l# T; A" V
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     4 O- M; o+ Z0 N4 J) J
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     $ G5 a, j% O- y! G. l7 M
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     : O9 [1 r! @/ A
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     ' T5 Q& p8 ^$ F
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]     
     ' i* J* h' b6 y1 s5 s; o5 }8 ^, @
242.         Book_img = response.save['img'],  #小说图片
     3 u9 {! a2 p! V+ w( _
243.             
     8 `7 r: A6 m% V. C2 z, Y/ U
244.         #insert into MySQL 小说入库
     & b' Y( b$ C+ x0 Y
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
     ) Z6 f; P9 Z0 B1 b( S6 m/ T, J
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
     6 X: V  _. L8 b* D  I; y$ n
247.         #post提交发布
     
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
     
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ' Y6 l5 I4 ]& H7 X" r
254.                    "Book_Palabras":response.save['Book_Palabras'],
     4 J7 ]$ N; C# q* t2 D
255.                    "img":response.save['img'],
     4 ^+ Q$ |# K4 P% }3 g# |
256.                      }
     ( ]! n/ e% a) N0 n. x
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     1 E: P% e) d; b1 E& h' Y
264.             "Book_Synopsis":Book_Synopsis,
     , {) c9 w2 x9 l3 j8 T
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     $ @# ^: L4 c' A  b
267.             "Bookurl": response.url,
       x. }" q- j! p% Y
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     7 d2 ^! z8 {& Y) _
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     9 a( S/ M) F! v
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     7 I4 d; l. x) w! T! u( n
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     
280.         f = open(file, 'wb+')
     ! s+ p' k% z) A
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     5 }3 E! E; E5 ~$ z, \
284.         #保存图片前
     
285.     def save_imgs(self,response):
     4 E) L; o8 b% s& Z2 A, J" _5 H
286.         content = response.content
     ( \8 u  ~; S7 _, H, s0 W8 p
287.         file_name = response.save["file_name"]
     7 ?  z! C* ^: \- j" S1 M8 b
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     * D# J8 ~& Z% O$ f/ J
292.     def save_img(self,content,imgDir,path):
     ! r* D& k: _9 D3 a1 f
293.         if not os.path.exists(imgDir):                        
     9 y6 C: T. ~- z' ~& {
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     6 d! ]1 `3 p; k7 u- |
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     + [. ?  b( g" ]. J3 X  T; ?# O/ N& q
302.    
     
303.     #获取图片名
     
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

' p! I& Z: `: u, w1 j# m6 S# ]