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 -*-
   ; i' d7 V' v" q" O5 ^+ h9 k4 O/ u  E
3. # Created on 2019-05-05 21:43:11
   $ }, z) ~1 ?' g
4. # Project: XiaoShuo
   - H2 j6 \9 T3 `0 l. D% ?* w
5. 
   
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   
8. import random
   / e( D" G1 E% c, d$ Z
9. import datetime
   " Z) s; i" A% r8 ?/ c& C
10. import urllib2,HTMLParser,re
    
11. import os
    # K+ t; N% v: f* d" e: f, E
12. import sys
    
13. import re
    ; h2 w. z7 q: M3 j/ p
14. import codecs
    ! x) M) ]9 e; N$ N/ [' B% c2 f2 y! m
15. import requests
    $ _8 m5 r: j: Q
16. import json
    
17. 
    
18. class Handler(BaseHandler):
    
19.     global Datos
      O8 m. M1 l3 X+ C
20.     global P_dir   
    
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    4 s+ t  C: O5 I% H+ h  |2 _9 T
22.     global Datos
    
23.     Datos = {}
    " O5 h2 O8 }: Z7 d" q
24.     headers= {
    % v8 Z2 }/ H- n. k* k
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    + w  F7 c6 g% n2 U
26.     'Accept-Encoding':'gzip, deflate, sdch',
    , P& F9 N/ U' ^2 S* y
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'
    
31.     }
    
32.     crawl_config = {
    
33.         'headers' : headers,
    . c, C/ D, E; T( n6 H1 E
34.         'timeout' : 300
    
35.     }
    2 I' [# u2 }9 V
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()
    1 w( q$ b6 M+ r! D
40.             #注意此处字符串的占位符要加双引号"%s"
    # d: J+ H  f8 I# ?* m
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    ! G  ~) w" d  U1 M
42. #            print(sql)
    
43.             cursor.execute(sql)
    
44.             
    7 {3 }4 S9 c2 K4 q* L
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    
48.             db.commit()
    0 [; v% v1 d. W9 k! H- c& ]& e
49.         except Exception as err:
      W- d) L/ L, {# j
50.             print("Error %s for execute sql: %s" % (err, sql))
    ! S# }5 q+ ?& k+ C- r8 _: ~
51.             db.rollback()
    3 Z" ^" ]$ i4 c7 Z* h4 M
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    8 l% {1 c0 s& z9 c+ s
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()
    $ M, F, b+ n" Y
56.             #注意此处字符串的占位符要加双引号"%s"
    . Y" x6 {; S2 M1 I
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)
    , C; Z  g! d6 i: @
59.             cursor.execute(sql)
    0 @5 {9 p2 @4 l  }1 p4 n5 F' O
60.             
    
61.             #qid = cursor.lastrowid
    ) I% m) e) E  I
62.             #print(qid)
    
63.             
    ) c5 |: n) ?! a- c2 i
64.             db.commit()
    ; g, G4 m' A# |1 @+ W; y
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 A6 w0 _& u/ C0 W' V
70.         try:
    
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
    $ h' V1 K1 t0 _/ E# L' P
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);
    9 @" r9 t) w8 L, W- e
74.             print(sql)
    0 F" b4 _" s0 E3 T
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    
77.             db.commit()
    5 L9 \/ A1 w) U8 _4 |
78.         except Exception as err:
      f) L+ l* t1 T6 A9 p1 O0 @0 N
79. #        except:
    
80. #            print('Failed')
    " |: s: j; O5 p- p. a
81.             print("Error %s for execute sql: %s" % (err, sql))
    4 g* \/ r6 e7 m6 W5 N& ?3 B
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")
    & u/ c( r0 e) @) S2 R6 O
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    4 J6 ?* k3 a. V  ^, D$ s
88.             locoy_data = {
    * X( m+ [' C/ _7 K4 q1 U
89.             'my_u':'用户名',   #后台用户名
    4 U) Y1 T2 C6 C5 M
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    4 w* d( \: W+ f: |# x0 {1 f
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    * l) A  C# Q- t6 z
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'),
    $ ^, M# g' @) @* R( |& v
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    % J$ M0 \8 e7 M8 V- O- g/ h) `
100.                 }
       K: \! _* J: \6 A( T" U& q9 q
101.             res = requests.post(locoy_url, data=locoy_data)
     5 e2 ?5 `1 O& k% {) F8 a8 K
102.             print res.text
     4 l5 b( Y% }0 K
103.             print res.content
     & \* T0 k  f* _1 i* V6 @; n* E# Q
104. #            print Dsd
     
105.             return res
     7 X& C. o; u& ~0 r; ^
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     * z: J& u+ v  o' Z- B" n; ]
109.         self.base_url2 = '/'
     1 a; ]& H( K2 E/ ~! A. x$ E
110.         self.CaterId = []
     , b- s) q& y1 |( o" w$ D4 J5 T
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     6 ?  B; v+ ]( k* v4 h& R/ V3 V1 V
114. 
     
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     9 n3 `5 F2 y( N; e1 O2 g! Q
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'
     ; g9 Y: B) b! s- b7 v
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     * @- u$ J- s% |3 S9 [/ {9 O
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     $ Q4 E3 e+ @$ C: a
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     & F8 _2 ^. r, T. e; O: R( t
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     ! {$ I/ m: F9 w& U! A9 u/ v4 P
138.             self.page_num += 1
     
139.             
     
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     , H  Z+ q8 @; a- `0 `. H4 W
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.             
     / g$ s" z. t7 ?' h
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     - J$ |" _( Z" S' n# _0 f, i  n( Q2 W2 E
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     0 s2 z4 Q& h5 m; \' R
152.         Book_Introduction = response.doc('.book-intro > div').text()
     3 Q% W" Z! a& `9 \
153. #        print Book_Introduction
     ; f2 N! F+ w" ?8 y5 j5 O( D, }' ~
154.         Book_Synopsis = response.doc('b').eq(1).text()
     3 z+ P( v& M- T5 ]7 Z' B% E
155. #        print Book_Synopsis
     # e7 V  J" y# X; l, X
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     ; z; n" F& \# \% ?2 c7 p
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     4 F6 t1 I9 ]8 p% @' Z; d' w
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     : b0 W6 ^3 P4 u3 q
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     
163.             print img
     8 ^& O8 H, j, b: J
164.                 #小说封面下载
     2 A* j) B+ I! `4 M5 S& K- B  N
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     % W( o8 s& E' g6 ?1 }
169.             Locaimg = imgDir + "/" + file_name
     4 `' _) n( G% [/ V
170.             print Locaimg
     ( ^8 v" n* P; F  S, P6 j1 P
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)               #
     & O6 |" K. D( ?* g/ q
173.             Datos = {
     6 Z7 Y% A: Y& E/ v& M
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     5 h# _% R  \. J) @
176.                     "Book_Introduction":Book_Introduction,
     7 [  f  j. u+ g) m8 a% L  C
177.                     "Book_Synopsis":Book_Synopsis,
       ?3 n; A7 R- ^, b+ B( E; D
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     . u* B" J9 o3 z: F6 W: ^, O4 @' D9 {
180.                 }
     . D0 _8 k$ U" S' i* w
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
     5 F9 F2 B% A. F
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     4 q0 c& u+ ~1 }  Z+ i9 j/ T% _4 g
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     3 ^" M- g% O+ B4 _" C
184.             
     
185.     @config(age=8 * 60 * 60)   
     5 d" k& w. e" C8 I$ F' g' B
186.     def index_page(self, response):
     % p* `# M  ]8 o# ~# D5 o
187.         Datos = {
     9 H9 F- |- Q7 W( F) w
188.                   "Cater_Name":response.save['Cater_Name'],
     & M1 S* ]" T# K- R/ v
189.                    "Book_author":response.save['Book_author'],
     
190.                    "Book_Introduction":response.save['Book_Introduction'],
     5 ?- Q% Q' I8 l# q+ X/ i
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     5 q# W9 @- C6 F$ {
192.                    "Book_Palabras":response.save['Book_Palabras'],
     + i: W! }% ^, o/ L
193.                    "img":response.save['img'],
     
194.                      }
     3 m& T0 t, A$ _  ]* k( R
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     ( M. R( e* z5 l) q$ ]5 j# f4 d
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)
     
199.     @catch_status_code_error
     * K8 Y. Q" J( Z" d
200.     def detail_page(self, response):        
     5 C: h! S$ j$ l3 y
201.         NewRe1 = u'哈书'
     0 Q3 n) T! _8 {: Y+ O" c, Z8 x
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     + i- g: b* n7 S  `4 V
204.         NewRe5 = u'小说网'
     * ^, f- E8 w  z* T( c
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     0 K% P, y" D- ?5 u- p4 y
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     ) S$ U0 \) O. D& _* F9 U6 Z
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     ! d) n9 L5 C$ D  S
211.         ReC3 = u'aghgfh.com'
     & G4 o8 L0 V# }& u
212.         ReC4 = u''
     8 q8 i" K. z; h4 }8 S5 Y
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     % E" o$ q) I# a$ Z' L, i
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     2 L" C  g4 P5 f( U: r0 q2 E5 A5 a
216.         print Bookname
     
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     
218.         Book_author = response.save['Book_author']   #小说作者
     6 P4 D) P8 `2 f% t* i8 h4 P7 I; K" d
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     1 l# |& h6 Y0 I+ Z; z
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
     3 ~# O8 S1 x4 c# L
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)
     
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     ) n/ m3 Y1 z1 K( Y% d
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     - @  S. X+ c$ L/ j0 l
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     5 u  b6 u& i1 ]  \( \
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
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)
     
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     $ @2 ?/ @" z& ~% ?+ ]. d8 h
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
     
243.             
     
244.         #insert into MySQL 小说入库
     3 h6 R+ x5 _7 M, m0 m8 |1 _, |
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
     & j- P  {! P; r4 Z$ d+ P" ^: o$ c
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
     7 i% t. a! s. z7 z
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 = {
     7 ?  W$ e8 v) ]$ E" C( r) v
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'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     . e1 \) @* [6 J: G6 r$ y
255.                    "img":response.save['img'],
     
256.                      }
     # t+ V8 k7 p; j" }
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     ( q' c+ ^& p2 B0 d5 F- Z* l) T
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     3 b! P  D, B9 m  w% d; W0 e
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     5 M% d8 G6 U: z9 w1 D7 o: C
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     0 T% G" b) T1 Z7 {; d8 M
269.             "BookID": BookID,
       u* R# p" ~, h9 X* [5 f
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     3 d' @, w# y7 k7 i, Z
272.             "abover":abover,
     ' Y5 O" L0 M8 r2 K5 ?
273. #            "Book_Date" = str(datetime.datetime.now()),
     ) r3 p$ p! N7 i# l4 V# c* C
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     1 f, u3 h$ W! \8 ~
276.         if not os.path.exists(imgDir):
     + C/ p4 y) _6 ]4 ?0 e
277.             os.makedirs(imgDir)
     % w) y0 W- ]1 X* B
278.         file = imgDir + "/" + file_name
     . A3 E0 h2 \: a
279. #        print file
     
280.         f = open(file, 'wb+')
     8 m$ j6 I7 n8 ~1 N5 U7 {) J  v
281.         imag = requests.get(Book_img)
     : U4 Q$ p2 Y4 E1 I$ D: Z( h
282.         f.write(imag.content)
     6 l* g& J) Q& V" A& s
283.         f.close()
     2 I: W: D4 E3 Q) Z, K2 n- g
284.         #保存图片前
     
285.     def save_imgs(self,response):
     
286.         content = response.content
     # P  ~. A& a! @
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)
     
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     ! y2 P9 w. X4 c6 ]2 X4 T
294.             os.makedirs(imgDir)
     ) J" N& I4 Z6 W6 I# x* ?# A
295.         f = open(path,"wb" )
     4 y- F) S; p6 E
296.         f.write(content)
     
297.         f.close()
     5 [2 f1 T4 I/ R2 R/ s
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     3 X" f8 `2 |5 ~
301.         return extension
     
302.    
     # r. r! G4 \+ f! g- K+ M, T% J+ B- [
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