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！
$ q* \7 S# s* H5 N

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   8 S1 m# x+ ^- ~5 G8 Z( d" y( S
5. 
   0 M1 ?9 p: _9 W) k
6. from pyspider.libs.base_handler import *
   3 ]" R: ~4 G  D  K8 M
7. import pymysql
   : A9 x' p  }( @* v9 @
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    ' D7 ~  o+ B9 R+ N0 D6 o
11. import os
    
12. import sys
    & m5 h) R  b9 P$ T  n
13. import re
    
14. import codecs
    
15. import requests
    
16. import json
    , ?/ H$ ]5 ^: @  b1 @" i
17. 
    
18. class Handler(BaseHandler):
    - w% Q7 X( y* l+ @7 u# h/ V& q
19.     global Datos
    
20.     global P_dir   
    ; s0 [9 l* y" V; o6 V
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    ) L) ~" N$ i; }7 `0 N
22.     global Datos
    2 @8 g; K- s$ n4 Z
23.     Datos = {}
    ; e. [- O- o: {0 f/ [" q' ^
24.     headers= {
    ( `) ^9 o& y2 P3 J
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',
    ' W+ l/ n3 {: f! l+ I
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 = {
    8 Q7 a2 m! e) w. K' F8 s# r
33.         'headers' : headers,
    
34.         'timeout' : 300
    / f: F, |3 ^  ^  o% A' J$ B
35.     }
    & Q( C% z! Q# R! ?
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    & P* W% C6 v1 o7 B5 R. a' c
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    
38.         try:
    
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)
    
44.             
    / C2 `# w, A" z1 ^, K
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    1 Q6 U! W" [4 {, r
47.             
    , E/ b7 K) s5 w3 I* K5 \
48.             db.commit()
    $ Q! N4 i4 X3 z6 `
49.         except Exception as err:
    4 v5 o) d1 p' S- z
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    1 N. U/ |1 o6 v, h6 P  o( G; e* K
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:
    6 m) Z: Y" H: W& T
55.             cursor = db.cursor()
    
56.             #注意此处字符串的占位符要加双引号"%s"
      \) y' b, k7 {) A/ v, i* O1 I1 O6 [
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    4 s  t$ U$ q8 u- g8 U: k  @# [
58. #            print(sql)
    # y0 N- m4 e, C' g5 J  s* X
59.             cursor.execute(sql)
      K5 {1 r8 s! G1 ~, V/ B3 t) u
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    
63.             
    6 s7 e$ ~5 M* D8 S3 a; K, E
64.             db.commit()
    
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    % ^  @/ r& I4 g' U- V. n
67.             db.rollback()
    2 N) q. B& [2 x1 w
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")
    
70.         try:
    1 a$ M" O- O) m. [& p0 J" P& G# A
71.             cursor = db.cursor()
    ; g4 n9 F. H9 Q
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);
    / @: g- y% D" r3 n1 m, M# B( n. i" {
74.             print(sql)
    
75.             cursor.execute(sql)
    6 Z( Z" p& i; G- U' ~5 F& Z# s* Q
76.             print(cursor.lastrowid)
    . n1 L1 e" u% p4 D! t
77.             db.commit()
    2 Q' _' O: y2 `/ g
78.         except Exception as err:
    + S1 a1 Z# D' c# G5 |& [9 k  J1 V4 ~
79. #        except:
    8 p- ~% _2 j6 c' C
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    6 {, w1 I( V, Y& z# z# C8 j9 ]' |
82.             db.rollback()
    
83.         
    
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    * B. s$ I3 B+ Z$ K+ O+ p& w  p
86.             sys.setdefaultencoding("gbk")
    
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
    5 |: U; N1 a# [: s" N
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    3 c. b$ X8 `* k  m! R2 D
94.             'article':BookConte.encode('gbk', 'ignore'),
    ; w& w2 o  f% _' `1 U2 z
95.             'author':Book_author.encode('gbk', 'ignore'),
    ( ~, B. x( i7 C3 ~# l9 g6 H
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    . T) k6 G/ g1 G# C& b3 ?. U
97.             'thumb':Book_img,
    & l2 e  A' x: `, o
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    7 {0 B: J; q% h2 ^4 x* e
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     ' s8 V4 {: Z0 L% a
102.             print res.text
     
103.             print res.content
     ) c# p% j3 {: y$ g- N2 X
104. #            print Dsd
     7 i8 \! q: d! E2 @: s/ D. k6 }
105.             return res
     
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     4 F2 }! D2 O3 B$ {, @$ M% ^
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     0 K# C: o$ z' x; u, t
112.         self.page_num = 1
     7 z) W" m. ~: G, q, I7 t; `- O
113.         self.total_num = 200   
     
114. 
     ! i. ^! V; n  U( i3 u5 K
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     
117.         global Cater_Name
     
118.         Cater_Name = []
     7 h; W) l6 ~0 R+ I& ~
119.         while self.page_num <= self.total_num:
     # Y/ w! J0 V! \6 H8 Y6 x( ~8 u
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     ) X/ \* ]4 z* }" T4 P
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     ' }3 J% b5 g! V4 }. `. r! i5 M% n5 Q. F
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     9 C; x) {. q. h8 e+ t: q
128.                     Cater_Name = '都市'
     9 I0 [& X6 x) x6 l/ Y
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     , s' O2 V3 c$ W' C
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     & [1 v' r9 k$ S
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     : w$ B3 W2 M8 n- Z7 D
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     # M! x. G% P$ w2 u2 x
139.             
     
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     + ?$ G7 G) W' E" L, K' i' K
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.             
     1 d# {# a+ {8 t. |
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     / N% U8 _, @2 u! F8 n( z
147. #        print Cater_Name
     2 l" _9 C  r& [! [2 O  G, L
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()
     9 n; L: h% F4 I- n
153. #        print Book_Introduction
     , ?, Q5 j8 N4 s0 b
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]
     
157. #        print Book_Palabras
     / a4 R) x5 Y/ k0 h" C
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
     1 w6 E0 A' n" J1 M2 \# h' k
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     - ?0 ~, P$ C4 b' }) H
162.             img = imgs.attr.src
     
163.             print img
     ' q* @. l+ r6 W0 C6 s" A0 j
164.                 #小说封面下载
     2 X! k! r& S% V5 m( c- A, r8 j
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     ; M7 u% N) f) b
169.             Locaimg = imgDir + "/" + file_name
     
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 x  ?- J! j8 g, _! i. w
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     8 u" S& G7 `- F, e, [
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     4 T# k) `, w! d
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     5 H1 k- |5 t5 s0 \$ |, C
179.                     "img":img,
     
180.                 }
     - N& {& g3 v6 Z/ ?8 u
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)
     8 s, w. p+ v+ |/ L
184.             
     * G# ~; P# T3 }5 E8 |* ]
185.     @config(age=8 * 60 * 60)   
     5 P) A' G- t' b+ [0 N
186.     def index_page(self, response):
     
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     $ I5 c& x2 D9 I$ Y
189.                    "Book_author":response.save['Book_author'],
     % [, D1 _! Y& n6 E
190.                    "Book_Introduction":response.save['Book_Introduction'],
     , R6 h1 X& D3 R. W& T0 h
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     - F. X3 ]  T# ?/ Q- {% B+ H% 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():
     
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     ! \, u9 y; E* B+ Z2 U- i
198.     @config(priority=2)
     9 l" p8 G% x% r) B9 l; {
199.     @catch_status_code_error
     * b# R3 w# d; Z6 |. e$ G
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     6 W* ~1 w0 p! ]. J4 `0 S4 V
203.         NewRe3 = r'^\\n\\n'
     . H' n0 T# o* A
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     + t2 \( \6 K/ r* y5 b" w# d2 r
206.         NewRe7 = u'fgfgf'
     1 Q9 Z( U  v7 ?6 ~/ k1 `
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     2 ?* a! L: @& x
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     9 P5 E" Y! e) {0 x# P/ ?$ _; G
212.         ReC4 = u''
     1 q8 H+ l$ J1 ~% O% o
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     / _0 n, d' V6 e, G2 r: ^# G
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
     7 ~- N" b& N) B
218.         Book_author = response.save['Book_author']   #小说作者
     2 N, Q0 E7 y8 O! o
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     ' _$ |8 B2 P8 V- q% c
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     8 ]3 N& @, h0 v2 C
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     7 ~. K6 k2 q, z* j
222.         Bookurl = response.url   #小说网址
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     - y  R6 P- Z: C0 b% `! H
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)
     ; p" @0 }* S4 A# ~- \1 x4 k
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     2 V6 C+ I2 w8 p, o4 p' I
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     1 Y0 _# l* k" f; a& ?$ \
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     9 A6 o' I* }* v- G; {% B- a- F5 j
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     ; l7 ^' T$ K2 d6 q+ k4 R
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     % \2 E2 Y% u% o0 Z9 ~
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     ; f! N5 D/ V& C8 W$ G, |- {1 B' f+ V
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     ! M8 Q9 P0 w$ r4 v$ x( X$ e; p
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     : N! _, y: \6 s
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     7 o9 s, D  }% a" s/ H% y% x
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     , D5 g/ @8 k0 t) x/ Q4 T
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     
242.         Book_img = response.save['img'],  #小说图片
     
243.             
     
244.         #insert into MySQL 小说入库
     6 d, i6 K& a& l. |( h
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
     4 U# f2 Q# A( `( k
247.         #post提交发布
     % O5 o1 N9 p: z
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
     3 K, T  I8 D9 N2 h( `2 z
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     2 q) p) I$ v; i6 W
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     * e# Y7 P: @+ Z  T
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     1 G9 i' b: M/ D; {; Y* c- e% {
256.                      }
     ' _9 \, Z- \* f1 [7 v6 m- }
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     6 a' j6 M1 X' J& u0 d
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     + n- L+ @* q8 g' _
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     4 j9 U- _- m  V+ N/ Z
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     / ]2 ~* U3 b3 N+ v( D' ~
269.             "BookID": BookID,
     ! {# v4 O3 N/ v, u
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     0 P# B7 ~9 }+ P' L: ~0 |. C
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     9 M) j( b- }9 V1 [
276.         if not os.path.exists(imgDir):
     % @( {: E6 |  g. O& k8 P2 P. T7 p
277.             os.makedirs(imgDir)
     2 o7 U  T. \1 M# `+ \1 O
278.         file = imgDir + "/" + file_name
     + O% X* B/ C; |$ b. e" P3 G
279. #        print file
     
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     , ^& x  d; ]; {7 j
284.         #保存图片前
     
285.     def save_imgs(self,response):
     
286.         content = response.content
     0 j- |( Y& }$ s
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     ( f% o; l. [2 W! p
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     7 o, \( i6 w+ c0 L( m5 ~+ O
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     3 y7 x' U* _7 ^6 E% j
295.         f = open(path,"wb" )
     
296.         f.write(content)
     2 P9 ~  D" S* Z3 z4 G, Q
297.         f.close()
     0 ^7 F, S# z3 T# u$ T
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     5 m- x1 n) ^4 I+ a
302.    
     
303.     #获取图片名
     
304.     def getname(self,url):
     5 p* |. t$ O- l
305.         name=url.split("/")[-1].split(".")[0]
     6 r( ^( O4 V  U! r5 Z4 v
306.         return name

复制代码

/ S, ^2 E) g1 v: M& T' Q+ I