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！
5 ^# e0 ^0 h& P+ H6 v; [! f

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   
5. 
   . [9 @( C$ q7 u% }
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   
8. import random
   1 U, o' _' U% o4 c
9. import datetime
   # K% Q  X' R) V3 c+ k0 T$ g. T6 ]) N  B
10. import urllib2,HTMLParser,re
    + C& q; k( a1 e& Y
11. import os
    
12. import sys
    2 k+ _, Q3 c* m8 N
13. import re
    0 r2 }+ w- \4 i2 k9 _
14. import codecs
    
15. import requests
    4 _' c2 L+ R1 t1 P$ L% N
16. import json
    
17. 
    - Z7 Q  I" q1 t' h! I4 M' Y. l
18. class Handler(BaseHandler):
    
19.     global Datos
    ; k  `  g. \/ p
20.     global P_dir   
    % Z+ t) R" ~6 h
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    $ g% Q8 p, {4 \" B: f
22.     global Datos
    1 {4 [! y9 d) x' \
23.     Datos = {}
    
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',
    0 u9 k6 S$ V/ y
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.     }
    " T8 L2 Y, O% S9 W8 y
32.     crawl_config = {
    % ?8 g) F; f  O3 v  |2 G2 i% L
33.         'headers' : headers,
    , i+ z8 z0 `% F8 t4 I
34.         'timeout' : 300
    
35.     }
    6 V  f5 A- |4 q- w& e
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")
    
38.         try:
    
39.             cursor = db.cursor()
    ' U4 S- N9 |6 A' f% w" o
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.             
    
45.             #qid = cursor.lastrowid
    ) E, Y5 a- \$ |8 o0 e, ]7 @
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    * g5 G/ d  W$ J& U% i/ ?9 z
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    - I# h% M% a9 M% M! b
53.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    7 g* [- z* I9 o2 f& G# @# s% R
54.         try:
    , m" J. t" H  Y' x. J! ~* z) T
55.             cursor = db.cursor()
      `. U0 _6 o. G# \+ ^' }/ A3 o
56.             #注意此处字符串的占位符要加双引号"%s"
    , M$ W4 K% b( f5 U' t, v$ a
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)
    
59.             cursor.execute(sql)
    5 T5 I: x% o! e! e- F$ P8 m8 @+ U( O0 f
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    # U2 p5 n6 @9 S& ~' k
63.             
    
64.             db.commit()
    # J( y0 w" M; L% _/ }+ X+ ~: `
65.         except Exception as err:
    ' u$ c3 [/ t* F0 p3 T: ~' l8 D- z
66.             print("Error %s for execute sql: %s" % (err, sql))
      z; F, l7 X) g" @5 T( y7 u
67.             db.rollback()
    " V) U2 b0 L6 Q* t' J
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:
    
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
      O1 c$ y; E# H* c/ f. N% o
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)
    
75.             cursor.execute(sql)
    6 i% d" [0 l& s! U6 Z5 H, d* C$ T* d' \
76.             print(cursor.lastrowid)
    ( G6 @  t& Y* F. r
77.             db.commit()
    - C5 b0 q: {+ o' a1 y& j7 B& O
78.         except Exception as err:
    8 r2 b8 x1 L0 b% k" m. O' i
79. #        except:
    
80. #            print('Failed')
    9 ]& S4 e3 h% p  i
81.             print("Error %s for execute sql: %s" % (err, sql))
    0 u3 u. h" p# F% t" f
82.             db.rollback()
    
83.         
      `; s% V2 M/ S# Y) B! D4 _
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    " B, `' W) D2 f6 b' R
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    0 B8 u' Q& u2 h: x  s8 L' z* [
88.             locoy_data = {
    6 T9 e, l4 N. ^; d& |/ G: V, L
89.             'my_u':'用户名',   #后台用户名
    & n3 I+ P9 e8 V1 D- J9 h, b
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    $ j$ ]$ z; P( a: r4 u
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    9 w* A0 D: _+ J
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    ) M% S: y3 ?) U" F' [+ P
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     5 x6 ^* j1 e/ S" i
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     
103.             print res.content
       U5 {6 l1 N5 a  X. [, R
104. #            print Dsd
     ; u) ^/ {/ m  K+ X+ s* ~9 {- q0 a' n
105.             return res
     
106.    
     % d7 s5 @0 m/ _: T. E) j: b2 N
107.     def __init__(self):
     & i( Y- A2 O! o+ k- l
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     , Q4 M2 v9 i. q7 q. `! q1 ~" P! ~
110.         self.CaterId = []
     7 G4 w; ~" B# W1 H
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     $ C  W$ c* r2 W& z$ \3 D9 e9 q
114. 
     ! ?  R, u6 H' J
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     4 ~5 N5 l% z" m7 m! s
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     . C) k  l. x4 o1 r- W
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     ( ?4 ]' N9 H9 l! c7 i
122.                      Cater_Name = '玄幻'
     . P1 Q$ K% p2 o+ W
123.                 if self.CaterId  == 'wuxia':
     6 N6 b% L. h7 P9 G
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     , q. P) i  Z" b" g- S$ L+ D  x
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     & `; N; z9 z5 T8 S
128.                     Cater_Name = '都市'
     + Y) Z# |  d! v2 K. ?; l5 R
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     3 M' T5 g5 _5 k6 P' e' D
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)
     - b8 {* s9 x  y2 I
138.             self.page_num += 1
     8 F% q! B' T  D4 ?9 B
139.             
     # y6 j1 p) u* p3 b/ v. U
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     3 y% g0 F* P2 w' F$ p
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     , t/ U$ F; X5 D+ t, K! d2 F4 |
146.         Cater_Name = response.save
     . [8 m$ X3 {, y2 W; R
147. #        print Cater_Name
     % m! e5 N4 O/ Q3 P, J  j
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     1 Z0 C4 _# F) x: F. ^; ^- n! Y
150.         Book_author = response.doc('.authorname > a').text()
     6 E- P! V, p1 x: C: E
151. #        print Book_author
     $ y. P0 ?" ]! e, w- u" n% j
152.         Book_Introduction = response.doc('.book-intro > div').text()
     4 \* H" d! \7 o+ A
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     % I6 n( [  I0 J( {3 ^  y9 n* Y
155. #        print Book_Synopsis
     : R0 D- w, Z. Z+ s. d6 u1 o
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     1 K! \' z5 t2 s6 g
157. #        print Book_Palabras
     ! T$ @, P% k  o5 m* a
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     4 p8 s; `& W& `5 J; x
159. #        print BookIDs
     1 ~1 ^% x  u# y
160.         Book_Dates = str(datetime.datetime.now())         
     . t# A! ?4 P: k: G/ c' q- H7 }% P
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)
     8 C! F2 k4 G* ^
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     * S3 M' E; ]* h
169.             Locaimg = imgDir + "/" + file_name
     ; `; i) f# J) z
170.             print Locaimg
     3 c. ]7 j" p# j) w0 z+ c1 r
171.             if(self.download(P_dir, imgDir, file_name, img)):   #这2行可注译，图片下载到本地
     0 M/ s; q* g! t
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     % i, X  ~7 O1 i& l; u4 g$ a
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     
177.                     "Book_Synopsis":Book_Synopsis,
     ! u% {( O4 D7 O( ], n
178.                     "Book_Palabras":Book_Palabras,
     4 C' }7 G* }' o
179.                     "img":img,
     0 E3 w; N) |8 s
180.                 }
     # W- p+ N7 S$ A2 L5 ]  _+ \
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():
       s+ ^0 n- @* d0 u( n- H1 A
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     ; F' f. A9 b& [/ h7 V1 I
184.             
     
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     : R5 n( A. e' q
192.                    "Book_Palabras":response.save['Book_Palabras'],
     9 q2 j" |! w' G/ G; M, g
193.                    "img":response.save['img'],
     
194.                      }
     $ |4 _7 U3 C8 ^8 o* L# M1 G
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     6 W* K6 \& z$ ^
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     6 ~! d0 t: ]2 X  K
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     - n5 M  R9 H/ q" p# ~* G5 G
201.         NewRe1 = u'哈书'
     / @  w' u$ l, v" x3 R1 |
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     0 l  z: ~0 X# }! H+ m
206.         NewRe7 = u'fgfgf'
     2 V' U$ j# S7 |$ H0 K
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     ; K2 I+ Q) |; O
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     & t) u7 o$ M' X5 n2 n6 j
211.         ReC3 = u'aghgfh.com'
     # r! d0 s5 V  f# L. F# c2 o
212.         ReC4 = u''
     5 }; m% K& K5 R0 C+ a3 P. n- I
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     ' J; w4 h! s0 [5 Y4 M9 P2 z
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     1 e- P* _% N2 R& e
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     * P8 q% E. V+ ]" l3 _" g# G: K
218.         Book_author = response.save['Book_author']   #小说作者
     ' w. G' B; m* g% ^: n# E8 n7 \- s
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     4 X; E0 v5 c" ~
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     : n% q1 T4 G8 b9 ?$ w) F. ?
222.         Bookurl = response.url   #小说网址
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     + ?7 ]0 ?, D. L3 U/ u3 q
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     5 Y' K0 w) a. a# F4 k
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
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     0 K+ I& w6 p3 N+ j9 L) f4 E0 j
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     9 T! v) y5 |2 T3 ]3 f; x; [
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     9 R/ Q/ `5 o& U, \5 p2 y" p  R
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     / k) {+ e2 o/ Y0 ]: z. _8 @! s- F
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     4 o0 f. u. M% Q* 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]     
     
242.         Book_img = response.save['img'],  #小说图片
     7 n' c3 _) \6 i6 u5 [. t
243.             
     
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
     : O% E6 H' c) i$ u9 b+ ]% q
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'],
     8 q; F; `+ q" m0 o. L2 y
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     8 C' p4 G3 u, h* {9 A
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ; }$ e  Y' e8 S% h
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     3 c& ~) U2 N2 I% K9 K
256.                      }
     6 p( f, g9 i4 L7 Y5 n1 W
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)
       _$ u) f4 i8 B. c1 M8 ~
259.         return {
     
260.             "Cater_Name":Cater_Name,
     2 u( G9 W  D, Z8 T: r; _# T
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     # y* r: U9 n4 F7 X. N
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     " r1 N7 `/ ^, Z  K; T
267.             "Bookurl": response.url,
     , [9 h! G" h: C. Q/ L
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     , y5 l; k/ [' c2 a: p
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     : \: |2 U# W/ q& O) f( N4 M
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     # [9 a% I! x7 f  p8 N, X
276.         if not os.path.exists(imgDir):
     0 D4 {7 q$ f& k  V7 \
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     : @2 j6 w0 r9 a) u3 D5 ?" ]/ O- W
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     ; l8 K6 R# e+ k* h% r$ ?, z7 U9 B3 _
282.         f.write(imag.content)
     * `% V0 n( W% O
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
     
286.         content = response.content
     
287.         file_name = response.save["file_name"]
     5 _3 x& Z3 f; I& {! F' A
288.         imgDir = response.save["imgDir"]
       [( B9 `0 V1 f3 Y/ T
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     + }% ~- B# S. t5 }5 F: @
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     7 `2 K6 t/ ?0 M; H% p
294.             os.makedirs(imgDir)
     ! H6 k) G" ?4 B' ~4 c
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     5 [% j, V0 k, b  Z
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     - b' E7 V' j; F/ @8 M
302.    
     6 h- M  Q' P6 X5 d
303.     #获取图片名
     ; t4 o1 H" M( D  w' V) f  O: o7 b
304.     def getname(self,url):
     4 f" {% J# b  _3 q
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

1 X9 Y! E2 K2 |3 J& X& [5 A