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
   6 X  \/ K- m' F, l  a
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   
5. 
   
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   5 s; X/ }2 [) g  u5 j
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    ' j4 |" N* s3 G# A
11. import os
    8 R. d! A  c. _( B' z6 I
12. import sys
    
13. import re
    
14. import codecs
    
15. import requests
    
16. import json
    ; ]8 J$ F8 ?) l; D1 ^
17. 
    
18. class Handler(BaseHandler):
    . `1 Q8 }5 \6 K$ T
19.     global Datos
    
20.     global P_dir   
    ( U2 N+ T" z: [( n8 \: @' T9 ~2 d
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    # m) W  H% ^8 }6 R. y) H9 `
22.     global Datos
    6 r. Y) {: o. ?  j
23.     Datos = {}
    9 r8 t* m9 I, |6 k' u" y) v
24.     headers= {
    ( m% z- c# H: x$ ^2 Z7 y9 e0 l0 q+ G
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',
    2 z9 l! s1 C: r3 a6 L5 D* 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.     }
    , U! F/ e- l& K0 C- u
32.     crawl_config = {
    ( ?' G3 ?. X7 U1 s1 U# T
33.         'headers' : headers,
    - K0 `; a" z# ]0 T0 L9 @1 g
34.         'timeout' : 300
    
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    : _' r6 I* ]0 F8 r8 f2 y! A
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    " j0 G. t  p) i) G' ^4 }
38.         try:
    
39.             cursor = db.cursor()
    0 M1 W) n! g, X/ P& h4 R+ ]
40.             #注意此处字符串的占位符要加双引号"%s"
    $ @+ _0 w* L# {7 f5 T# @# y
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    # o7 X# Q& O6 Y2 e9 c
42. #            print(sql)
    
43.             cursor.execute(sql)
    
44.             
    
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    6 F2 B5 p! u1 y1 G, q* b5 K
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    5 v  ?. b& m, h  g4 c$ Z( A4 i9 g
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    
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:
    
55.             cursor = db.cursor()
    + l# @3 j3 r* `( _
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);
    7 i5 G2 K2 l3 T) k  R
58. #            print(sql)
    ' f) H" C9 m4 N
59.             cursor.execute(sql)
    . i" d5 ~$ U& A( U1 K
60.             
    1 H1 G+ {! P9 T" j! `1 ?. j
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    
63.             
    5 ?; ]1 y8 f: B* r
64.             db.commit()
    7 D( H/ E+ D- W# V5 Q
65.         except Exception as err:
    # F- h; `  _6 y$ c" N9 J
66.             print("Error %s for execute sql: %s" % (err, sql))
    
67.             db.rollback()
    : S( J% {" o' I3 X+ t: k6 q
68.     def add_question(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date):
    4 z+ N* l; ?9 L6 C' E. B; ]" |7 h
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    + Q8 N- b+ V% S' t% y# ~: b( e
70.         try:
    
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
    0 _' U8 Y) N# x" t. ^
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  Y6 V5 {, G; A9 p4 V9 l" l2 A
75.             cursor.execute(sql)
    / l$ c( X7 g. P+ S* q
76.             print(cursor.lastrowid)
    % w+ f! ]2 v' e  h3 f
77.             db.commit()
    2 X. |9 l- a, Z! `! x  N; i# @
78.         except Exception as err:
    ; n- Z% ~3 S, h
79. #        except:
    
80. #            print('Failed')
    ( Y, x1 _9 }/ U# ~6 N
81.             print("Error %s for execute sql: %s" % (err, sql))
    5 T6 p0 f3 T2 L/ c
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)
    
86.             sys.setdefaultencoding("gbk")
    
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    & I7 o) C8 w2 M% w! B
88.             locoy_data = {
    
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'),
    2 e* I" X4 F' \+ e' [/ R0 Q3 v* ]
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    ( n6 z- P, W: j# T6 Z
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    ' u+ Z3 |' w0 E4 M/ W2 S" A: e
94.             'article':BookConte.encode('gbk', 'ignore'),
    - r& J3 d% s. f5 ?; \3 m+ @; j
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     / R( }& ?* k& F4 m' w
101.             res = requests.post(locoy_url, data=locoy_data)
     6 ]8 @, x% X/ U( T: \7 m
102.             print res.text
     5 r3 b# W+ ]0 M8 K0 t: [
103.             print res.content
     3 A/ g* i# h; B2 Y% o
104. #            print Dsd
     ! j$ q: r# ~  `9 d
105.             return res
     - x- d6 [: n; L5 s: [
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     / c0 R8 n- s- n& m$ m
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     6 s5 }0 |$ ^2 h0 s- g5 F$ w
112.         self.page_num = 1
     1 Y, h7 ]* I4 z0 ~& g* c
113.         self.total_num = 200   
     
114. 
     ) r6 f( V$ ]: w8 k+ @
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     : q6 M1 j- |2 |2 a# q& e& m" G
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     2 U* ~# Q& ?# U; K7 y( W+ S
125.                 if self.CaterId  == 'lishi':
     ! S/ R( M* M+ E2 f8 y7 o
126.                     Cater_Name = '历史'            
       A: V8 Y! P) S) Q1 f5 u6 {+ R
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     ; g  A% w" |7 g: D3 u% J
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     6 a1 g) L& U! w, n7 _
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     $ @' O. [% @; X/ L
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     ( e& X* s6 u4 h, g
138.             self.page_num += 1
     
139.             
     / P/ m  g; U+ k+ N
140.     def list_Caterg(self, response):
     : [; i. C5 M, D# z
141.         Cater_Name = response.save
     
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.             
     
145.     def list_Caterg_detail(self, response):
     ( s) D+ _. B$ I" v( j7 n; s
146.         Cater_Name = response.save
     ! n0 v; h& \# K" x" t/ O  R
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     1 z2 @# n  M2 w3 u
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     ! m# {" X4 o- }, W& J- f
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     + A3 ]' _/ q' B) G: V
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     ) q9 Q2 g. F; n, Z* [4 |
157. #        print Book_Palabras
     - i) ]" K* _" a! z& g* _( _  _
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     ( u' T7 R$ d/ x  E. i# ~& V
159. #        print BookIDs
     3 ~0 _  z$ J% J. X& t8 D* Z; K4 F
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     . o4 L+ ^6 |3 z7 o7 t
162.             img = imgs.attr.src
     
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     : L9 D; V% l" J9 r
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     
170.             print Locaimg
     # C, l2 s5 t& z9 S; n5 q+ j1 v
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 = {
     
174.                     "Cater_Name":Cater_Name,
     - o+ \- m8 T: N; D) u3 H
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     
177.                     "Book_Synopsis":Book_Synopsis,
     5 D8 ^: {/ m* W5 ^6 m
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     ' g4 Y8 D" N. R2 O0 l
180.                 }
     ' a7 N/ s2 R. E; U8 Z( 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
     / }1 _4 x) I+ f% ~1 d
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     9 B& b. B( W( g
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     7 O- V0 r9 M, e: v
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     $ o$ ?+ U1 J' I
190.                    "Book_Introduction":response.save['Book_Introduction'],
     ) e# A3 ?+ j7 o! E5 b
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
       i+ ^) `  M- b9 O) M* ~! ^
193.                    "img":response.save['img'],
     ' I, F# [7 l  c0 D" u
194.                      }
     , ]. G0 V! r" L. Q5 O% Q( Z
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():  
     5 Z2 d, s& }2 O/ F7 o# M' C
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     * p& C* [9 D% k  G' e/ L2 L
198.     @config(priority=2)
     
199.     @catch_status_code_error
     4 i  ~: Q) o" V
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     & c/ {, X) J- v% E4 U
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     . `7 ?, E6 v0 n% E8 \4 U( y
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     1 M5 v1 p; h: R. S
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     , N6 f' ^" r% q, `6 q2 B
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     2 H& z4 t% ?: |" [. I: x
214.         ReC6 = r'<BR>'
     + ]( u6 f# N6 Z0 ?; @5 [
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
     ! l9 ^9 S7 X& H
218.         Book_author = response.save['Book_author']   #小说作者
     # T9 d/ `+ ]3 h# P
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
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     $ P: N- O! J. }5 P1 S
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     . O$ |! E/ [  W7 p
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
     , ^* B. X' [; w8 _1 W! i
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     ! h8 w- N  O/ x7 Q( C! `
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     8 b! h" T& A' v& Y& X
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     , {0 v5 S, p# c# \$ L& X
235.         BookConte = BookConte4.replace("\n\n","<br>")
     % K! _: G( u" I; I0 v6 [- ^  d
236.         print BookConte
     % D! ^: f/ f0 C- Z' G
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     7 \) c4 C4 W' T6 y' B7 H3 a
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     : X, E3 l. U) I( B0 [: z# m; \5 M" W& T
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     * s3 p0 P* D- K
242.         Book_img = response.save['img'],  #小说图片
     
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
     - S0 t3 k/ ]0 Y% m( ^2 y
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
     1 e7 J% `/ b, v7 W( l
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 = {
       {' N" q; |: g9 h
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     ( ?4 ^% j; N1 d4 B' M, a$ H
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ! d# c. z( t+ D3 k0 L3 w
254.                    "Book_Palabras":response.save['Book_Palabras'],
     ; \- U4 X, k+ _0 C5 u% Z9 r
255.                    "img":response.save['img'],
     
256.                      }
     2 @: |( s; d* d* Q; a+ i$ N
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     - I7 }- ?3 l  |& N' _
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     7 U8 m! d$ E. w$ r4 D4 L
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     # q# F/ p: Z, i/ Z) o( q% s' e
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     0 R) P9 g' N+ B% J* c
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     9 K& L6 M$ j2 t+ v; |0 W
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     & a  k7 E! B" P& `
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     % Q5 {5 p# Q# V& S8 A1 L
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
     : `" v. j5 |; J9 `% U
280.         f = open(file, 'wb+')
     , C# g. `% b. m4 O
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     " ?7 o# Z0 b% ?& M
283.         f.close()
     3 N9 e4 B8 Z8 m' C* F2 W
284.         #保存图片前
     
285.     def save_imgs(self,response):
     & C# i  g) i! z
286.         content = response.content
     ; N5 Q$ C- Z1 ]' k* u( [6 t
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     8 \$ L2 S/ c7 M* G
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     & h2 J$ G$ J% m) O
293.         if not os.path.exists(imgDir):                        
     . s. D( e! C! s! ^+ x3 C
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     
296.         f.write(content)
     . D) [% E% Z0 Z6 L
297.         f.close()
     / Q. d" n3 u- l+ ~5 q9 u' K% u5 L- O7 S$ J
298.     #获取url后缀名
     $ c; H2 P* p% P; M
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
       z, r0 U5 J  M' l
301.         return extension
     
302.    
     
303.     #获取图片名
     
304.     def getname(self,url):
     6 z; {; T: B$ C* }; f, I
305.         name=url.split("/")[-1].split(".")[0]
     " d$ W  E5 |4 B6 t! A
306.         return name

复制代码

5 h1 J. b6 }1 K

& t. a8 M2 c' x1 T  O$ W, U6 c