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 -*-
   ) B2 N! N7 j, z- T( Z: y3 D
3. # Created on 2019-05-05 21:43:11
   - C& O& p6 h! H9 N
4. # Project: XiaoShuo
   ) ^4 V, e4 {! c; L1 G9 _
5. 
   + ]4 q2 `% s# ]" \8 ]
6. from pyspider.libs.base_handler import *
   ( Z" r+ \) i$ a) R" J! v; H2 v
7. import pymysql
   
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    
13. import re
    
14. import codecs
    
15. import requests
    7 @; r0 y% k3 e8 Q2 i" @0 l' N1 t! f
16. import json
    5 o2 N3 ~9 H& C6 N4 s/ z
17. 
    % x! I4 ]. A9 k1 u
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
    
22.     global Datos
    
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',
    , o& w# N) G( U0 w! D0 [
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,
    " X8 `' W' @" c+ Y, N$ b+ C, I
34.         'timeout' : 300
    6 k+ B( c: j' w; d, X
35.     }
    9 h. ]2 f+ _$ f* E$ c
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")
    + N4 n$ {0 N# ~; Z
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);
    - v2 |2 G1 l3 }( S* `) z
42. #            print(sql)
    $ q+ F* q- Z* Q
43.             cursor.execute(sql)
    0 w: \  D* ^8 |0 D" o
44.             
    
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    5 X$ R) k7 F* D8 X$ [3 Z
47.             
    3 D+ C3 y$ v1 f; m5 j7 j
48.             db.commit()
    . w7 {& K% I  O* l
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    1 s5 N' w; a- [- ]! ~
51.             db.rollback()
    & G* _+ S. z; B* M( o# m
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")
    : k7 D9 ~( Q9 b! B$ P( \
54.         try:
    
55.             cursor = db.cursor()
    0 m5 I$ I* \1 T9 e2 z7 p
56.             #注意此处字符串的占位符要加双引号"%s"
    % A( E* ^2 b; @: Z6 H9 g" H; b
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    / Q6 N0 E' K; c8 m& a7 ?3 N1 K- ~
58. #            print(sql)
    
59.             cursor.execute(sql)
    8 N: v# |( H$ \4 k
60.             
    , M; A+ Q1 `& L2 c' F8 N
61.             #qid = cursor.lastrowid
    4 g2 R$ J# B9 w9 J1 X  l2 `
62.             #print(qid)
    ' R3 d" k7 r$ j" Y+ a
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")
    
70.         try:
    
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
    - y; m/ X) O: R  o5 I& d
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)
    ( a4 o9 L* A+ l# q. q/ t
75.             cursor.execute(sql)
    + @/ c* i9 g2 A% y* N3 q& P
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    2 i1 P  G" N3 h: T% X
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    ; H: w  o! z$ D9 f$ d
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
    
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    ; P- u8 t0 B: z
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    8 K. d% {" A* }! w
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    2 N! j5 z+ Y) a
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    # Q: n4 k- l- O6 Y: v
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    4 y# k4 o5 w* C, W" P; b& {
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    " b# _+ M" k, p8 H3 M5 K5 L8 L
99.             'abover':abover.encode('gbk', 'ignore')           
    2 t* q; B; U* ~5 g1 v- ?
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     3 Z4 L3 S) e7 q! W$ m9 V
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
     * M% X; T& {6 _1 l" @! p
105.             return res
     0 E, |" l% ~4 I5 H
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     , W7 o# F: T6 U% z
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     3 m$ C1 L/ Q& F
117.         global Cater_Name
     
118.         Cater_Name = []
     & J, Z2 [/ n; x
119.         while self.page_num <= self.total_num:
     + g* S) \5 a% k; Y
120.             for self.CaterId in self.CaterIds:
     4 l/ i7 M5 j6 {( |" I
121.                 if self.CaterId  == 'xuanhuan':
     $ a' s' j1 J: k: m
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     - q; w$ w5 a1 y$ V
126.                     Cater_Name = '历史'            
     . `. A  g+ ?6 M9 _/ }
127.                 if self.CaterId  == 'yanqing':
     / _1 Z6 s+ F% b' X1 J8 K
128.                     Cater_Name = '都市'
     2 ^5 g2 p$ u0 Y5 o* y4 j* P
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     3 V! v2 `: a% ^# r9 E% B
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     ( D, t9 J6 k1 }. I
133.                 if self.CaterId  == 'kongbu':
     + V2 T) F% _: n0 m- R+ e
134.                     Cater_Name = '游戏'
     + C* t" E# G3 f5 F$ h
135.                 print self.CaterId
     * {( c  m3 U; g
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)
       w' a( ?+ f4 W5 `6 q( G5 B* B
138.             self.page_num += 1
     $ z/ F9 Q5 j4 V1 {) D0 W
139.             
     " P/ i% K( Y5 d$ I' h7 \! g
140.     def list_Caterg(self, response):
     # ~/ N% \6 C8 s$ d
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     % a+ R! C* _' ?
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     + H& e! d' q( e
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     0 n& {: j; w! Y' X
148.         Bookname = response.doc('h1').text()
     4 H8 N3 U- r/ Z
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     : C6 P" M. M. E6 r3 k
151. #        print Book_author
       g$ f( @2 {0 G' Y& d, L
152.         Book_Introduction = response.doc('.book-intro > div').text()
     ! K# _% B" A0 y3 p
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     ( ?8 S8 i* I" ~4 d
155. #        print Book_Synopsis
     $ I4 g/ p, t' M0 ?# M  K' I' E
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     ; G8 M- Z" k" D6 J" I) G/ E
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     3 m# O7 Y5 f7 P1 M4 W0 Z$ t
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     2 S8 g( E' e  B4 K) D
162.             img = imgs.attr.src
     - r2 Y6 @/ C! \7 t6 O
163.             print img
     
164.                 #小说封面下载
     ! B. K  X8 e" z  |& |( O4 b' ], E
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     # R7 t' E' C4 r9 }3 u
167.             file_name = name + "." + extension
     - c0 f; n! E" t
168.             imgDir = P_dir + name
     / B9 X) D$ g/ Q! K1 n( H1 p' e
169.             Locaimg = imgDir + "/" + file_name
     
170.             print Locaimg
     7 Y9 g# z' w" d0 {1 h2 g
171.             if(self.download(P_dir, imgDir, file_name, img)):   #这2行可注译，图片下载到本地
     9 i& _' |, N4 V; X% `* \1 O
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     6 g8 c6 ~1 u) d
176.                     "Book_Introduction":Book_Introduction,
     8 J8 ~' W. q7 F' o6 U3 Z. ?: G
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     2 l7 S% w7 ^, ?; e" b
179.                     "img":img,
     $ G# O3 W9 v) R5 k$ E5 {/ u
180.                 }
     8 Q) H( A& e% D9 c. Y- P
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():
     % y3 F! X" [8 q- e
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     , Z. N$ |, o( W
184.             
     
185.     @config(age=8 * 60 * 60)   
     / ?7 z9 u' H: D) q1 n" b4 r. @- z
186.     def index_page(self, response):
     
187.         Datos = {
     3 r6 H; U5 ^' P
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     $ U# L# Z- ^; i& f6 _# C& v
190.                    "Book_Introduction":response.save['Book_Introduction'],
     8 y; y- N7 t- p/ M5 T9 U
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
     5 o  y0 m" ^" j1 c: |+ e! ~, |
193.                    "img":response.save['img'],
     7 i) D% n+ \' r5 i; W/ s( @
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():  
     , x* @" o# J5 Y8 v) Q
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
       z% L: x3 a( c; Y, L9 X6 W& ^1 d
200.     def detail_page(self, response):        
     : U+ R! U: o% U- e# x( S: p
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     , y6 w! X4 [; i+ b0 O7 `
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     ( ]: X' h$ D6 }) N' H6 C% f
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     * O6 m4 K, A+ Y9 R
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     3 W3 J' F; }( O6 r% E* J8 K* f
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     7 K9 H# ]1 Y- u5 y0 u7 z
216.         print Bookname
     
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     8 ?& M. S8 G* {4 x$ M
218.         Book_author = response.save['Book_author']   #小说作者
     
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     , h7 `: D5 n( F$ ^4 A" e8 e
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     ( C+ N( [( \; m  Z+ V: G# ?, q
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     * _- Z; P% z" c
222.         Bookurl = response.url   #小说网址
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     0 i! a1 U" c6 m& A- r' }1 Z" @
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     3 e' g, N9 n+ w8 u) a
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     
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)
     * @) u0 p6 u  N3 v/ W3 b2 \
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     ; k* t5 E  }  o- W1 x
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     & ~( k: l* {3 p7 T
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     * ^; @  i+ b) W
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     . E. c6 g- k- D# e9 H
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     ) G6 B8 H& R: a: t
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     ) W9 k/ p4 B1 E& o: X
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     0 c- u* k/ t- I' `$ Z' N
242.         Book_img = response.save['img'],  #小说图片
     $ M/ O$ U6 O3 A" Z2 x* i4 @( h* `
243.             
     ( e" B8 d3 ~7 P3 w& j
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
     # R8 ~& G+ u& 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
     5 |4 R# f8 k+ U& l$ r! W
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     0 b& w% j1 Z% y% |2 V: {/ i. n" R
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     
256.                      }
     & w8 }: e2 e# L# @, q7 I
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     2 l: R+ ~) ~2 `2 _. W
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     2 \4 Q! l" ^0 B8 n# b( T. i0 z" y
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     + e1 `5 h. s" u: C5 J; U' A
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     , w1 B. l) c0 e3 F% [0 K
266.             "Book_img":Book_img,
     " x7 ^" Q! q' o) B. ^
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     5 u" E, n$ P. r' P
271.             "Titleid": Titleid,
     . I% @# D5 s) l. M( `+ g3 y
272.             "abover":abover,
     4 R" w$ T! Q; Z
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     2 H/ j) A- _/ W" F- Q
278.         file = imgDir + "/" + file_name
     
279. #        print file
     + M! ?- w  t3 H
280.         f = open(file, 'wb+')
     + S6 M- g" f/ k8 Z/ v
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     ) n! S# k: R* h! W, ?
284.         #保存图片前
     ! d6 _) ^7 [( m" I# Y
285.     def save_imgs(self,response):
     0 a; A1 m- ~) I6 K! l) y; J
286.         content = response.content
     7 w) M) X. T. ]8 l6 o/ u
287.         file_name = response.save["file_name"]
     6 K5 ^! Z" b$ {3 r  t- S( v
288.         imgDir = response.save["imgDir"]
     , C/ E( J, Y3 |# ~
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     + @% f2 o, F7 ^( O; J
291.     #保存图片
     8 B9 k; O# e: ?& v9 D
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     : e  |1 F1 C/ v
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     
296.         f.write(content)
     . ^! @1 d0 d  l; j
297.         f.close()
     " W* a$ M: b( m
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     ' Q8 T# j7 u2 E1 H
301.         return extension
     
302.    
     
303.     #获取图片名
     
304.     def getname(self,url):
     , H% M* R- o3 ~0 b
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码