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！
8 Y3 G5 N. F" O$ h; w

1. #!/usr/bin/env python
   / y; V1 ]) V. t
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   1 I" G* Y( e( x
4. # Project: XiaoShuo
   
5. 
   8 Q: w1 E7 i5 p& A+ A; V
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   ' V3 k8 ~7 L% J7 a9 V4 a5 m9 J9 e
8. import random
     h. @. O: j/ G$ c/ q
9. import datetime
   3 S' r/ g, d# q0 d
10. import urllib2,HTMLParser,re
    5 t* t% p+ D- d  V6 q3 g4 C$ F* h
11. import os
    
12. import sys
    , `- W" o6 z8 R$ n
13. import re
    + c' d. _3 M' l# `1 ~" v$ ~
14. import codecs
    ! a# `; L% ?' E- P: B
15. import requests
      _) Y1 O8 A& n7 w: z
16. import json
    + C7 [5 f, c" B  A% ~: [0 E
17. 
    
18. class Handler(BaseHandler):
    ) L# i; V' T0 ?) [  }9 E
19.     global Datos
    1 w" G9 K; k+ l( z& b) B
20.     global P_dir   
    
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    % l4 p$ b) {% A
22.     global Datos
    
23.     Datos = {}
    4 x7 X% G6 ]/ K
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    ' O2 |0 q3 l% o7 c: ]
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    3 p6 V( `* C8 v  }! V2 m
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 = {
    & `! s1 H& ^& Q$ M" A' o
33.         'headers' : headers,
    3 n! B$ C; ?3 n" m" t7 ]
34.         'timeout' : 300
    
35.     }
    
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")
    ( }) S3 H, K& _9 S5 f) b0 m
38.         try:
    
39.             cursor = db.cursor()
    
40.             #注意此处字符串的占位符要加双引号"%s"
    4 T( y+ ]/ i  V: |
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    ; P+ S' x) @9 y6 ?2 X  [# q# r- N
42. #            print(sql)
    : [4 J2 e* |$ f: y5 m+ {; ~, N
43.             cursor.execute(sql)
    
44.             
    1 n3 P  o' D1 ?. J, m
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    
48.             db.commit()
    # r6 o9 f5 f: M+ ]
49.         except Exception as err:
    & H  @9 H; ]' u
50.             print("Error %s for execute sql: %s" % (err, sql))
    4 ?3 v  E; B* Z+ b' Q! g8 j) y5 _
51.             db.rollback()
    2 U) J7 C. l. z8 `
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    1 e4 G# o% y% F  r' Z
53.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    % A+ i( X. K$ Z/ f1 F; Y
54.         try:
    1 U4 y; I8 k# u0 ~1 ]) n& [
55.             cursor = db.cursor()
    5 k" |7 a; D3 b8 m: c8 q3 @
56.             #注意此处字符串的占位符要加双引号"%s"
    5 A3 [  w, H8 s
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    ! J* F  ?% P' A9 _& b
58. #            print(sql)
    $ l- E7 P1 h: E, J% Y, J
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    7 h  ]3 X$ U( O! G
62.             #print(qid)
    
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:
    9 U9 [; Q( R$ T1 j9 ?8 B( N7 {
71.             cursor = db.cursor()
    3 L' e. T: D2 o
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);
    
74.             print(sql)
    
75.             cursor.execute(sql)
    * j4 w: Y* @2 t" g$ |0 X2 ?2 P" }
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    ' V, i% T" C5 I4 k% H1 v
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    & q/ q. z5 J6 M; \; |+ j
82.             db.rollback()
    
83.         
    * L, S1 \$ f8 ^' n' \
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    , v" e+ C. `4 h0 a* R4 K# a% ]
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
    
90.             'my_p':'密码',   #后台密码
    7 z. q" t* I* \. v0 \  d( K7 |
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    / l' _! K4 s& j/ S& T
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
      u+ G) d, m2 H* D
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    5 C2 T' ]* g1 g5 B! r
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     0 m9 ~4 H1 o8 G! X1 `( t
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
     
105.             return res
     ! e0 }& r! |  S2 h2 ]7 F1 Q
106.    
     
107.     def __init__(self):
     ) y) h; c, C( m& {$ U' [
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     . j" a, c  V1 i* M8 G; \% f
110.         self.CaterId = []
     3 F! _5 l& M3 q% W# |! b
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     7 K) x2 Z+ h- }  d& w6 v4 w0 A
112.         self.page_num = 1
     " e7 c+ g; D0 _9 X; u+ k" i
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     9 X+ }/ h$ H6 J! f
117.         global Cater_Name
     0 ^1 r# O1 G& }# B
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     1 S* {  C0 ]% W$ k
122.                      Cater_Name = '玄幻'
     - e% H) M+ [- L/ K/ a  p
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     ) j1 g' `3 m2 `) N. Q6 Q
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     6 ]8 t" I, q% T' {' x
130.                     Cater_Name = '都市'
     * c( O. Y) ~4 f7 @$ ]6 E
131.                 if self.CaterId  == 'kehuan':
     ' \  H# Q" w1 k' D6 o1 t; `
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     9 T; U/ y$ a$ w4 ?4 M! ]
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     8 l# n# Z8 `0 |$ n6 c
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     
139.             
     
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     ' a( A; M( D3 v) G
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     0 o+ m7 j; ^$ `" |: `
147. #        print Cater_Name
     / Z# K( d5 P- @: R+ t
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     . }5 M' W2 N- ~' m- [0 `5 x5 {
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     - A) x6 Q/ A2 z! `+ ?1 P
152.         Book_Introduction = response.doc('.book-intro > div').text()
     2 [6 w# Z. z, N! t7 P- z/ S
153. #        print Book_Introduction
     0 U1 m, F* e2 ~+ o
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     5 {2 B2 U- W( Z
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
     
159. #        print BookIDs
     * N0 J2 ^& B) \3 ?# H2 z
160.         Book_Dates = str(datetime.datetime.now())         
     # O( @' h- a4 c; T, ~3 U  Q( d6 b, i
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     4 t. y8 m0 H& h; {% p/ g: ?
162.             img = imgs.attr.src
     
163.             print img
     
164.                 #小说封面下载
     ( }$ c- c& z. T% P
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     4 A, m$ ?7 v& q: r6 p; _! H, W8 F
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     4 V7 q& J, H5 T6 e' {4 j& M6 d- i
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
     . ^) R' t- q# W$ q
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     / d6 O: s6 R* k) J/ L9 ~
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     7 H5 O+ M$ F( r
177.                     "Book_Synopsis":Book_Synopsis,
     5 t- Z, u* K  g' {
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     
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)
     . [/ p8 U' G3 y+ z: d
184.             
     
185.     @config(age=8 * 60 * 60)   
     - K- H- I6 O+ J; v
186.     def index_page(self, response):
     
187.         Datos = {
     - ~( V! L8 G. d" O+ ]
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'],
     2 g3 O) j! C& }' p8 p9 i: A' u
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     
194.                      }
     6 _7 E* K9 o# p4 O& r
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     ! H' A' K4 M5 r( f
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     4 u! e- p6 D8 C* v* }8 J1 E
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     6 R, I) P1 N9 h2 S# S8 ]% F6 G) R
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     5 g" e8 A8 f; H" j
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
       D  ^" C" w( Y' Y
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     + K0 ^( R4 i/ W& ]+ K% A9 G; `6 ]/ @
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     8 I9 B4 b1 X4 ?* X2 I7 K
214.         ReC6 = r'<BR>'
     
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
     
218.         Book_author = response.save['Book_author']   #小说作者
     - @- h. a' a; x
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
     6 N8 [+ ]! K/ A
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     5 ~: E& W1 h$ j
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     
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)
     & `. \$ c& D8 x; R+ m
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     + u9 t5 n, N* w0 C+ `" B
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     : @$ _( L# e3 H7 V3 x* D
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     ! X; j( j/ x' \  F$ P% c) e
236.         print BookConte
     " E8 ^3 N; {, l
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     & S; e- P8 O, z" k  ~0 B9 C
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     ; Q7 {  O- X. l* Z" A. d9 w9 w
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
     
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
     . X& }4 M: A3 R2 j& R+ J
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 = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
       ~2 P! t: P& W% d
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     ' N% Q( p9 P6 c$ A* b
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     3 J& d. o4 {9 U
254.                    "Book_Palabras":response.save['Book_Palabras'],
     1 T4 S4 z. Y: C6 g, c. u
255.                    "img":response.save['img'],
     
256.                      }
     
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)
     
259.         return {
     
260.             "Cater_Name":Cater_Name,
     % q+ C" }( t$ u/ K- b. }1 E, L- s
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     ! f% S6 ]  C8 k7 o
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     6 N7 \* A  F* Q0 Z* I) f
266.             "Book_img":Book_img,
     6 o: B) |5 S) F
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     ! }2 A0 S9 R# O1 N  V7 @# Q
270.             "BookConte": BookConte,
     7 l5 n, Q) p8 G7 i5 i
271.             "Titleid": Titleid,
     & P- p1 Q$ i- e' F0 J5 L
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     * M$ S+ _: M3 B( x4 |
274.         }
     * H& W# |: C) f8 p
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     ! ~$ [0 N, g1 V& g0 j% |7 j
276.         if not os.path.exists(imgDir):
     * t  H: X  U( N) ?2 }/ _: K# k3 B
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     ' X- _# k- m& q
279. #        print file
     
280.         f = open(file, 'wb+')
       _1 K9 H+ l0 \6 C+ r# f5 `
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
     , F; P( M. ]/ s* q. K
286.         content = response.content
     ) l9 F0 F% A5 L+ Z: n
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     . @! A+ l2 r+ ~( Y' G  D
290.         self.save_img(content,imgDir,file_path)
     # M+ T* M0 d* }
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     5 B* u! R' P9 u3 z
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     0 C. L  V/ S: H, h( J- V
296.         f.write(content)
     
297.         f.close()
       M' @4 D2 N' H
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     / p1 Q9 O) x: Y3 {1 y9 j$ R$ R6 J
303.     #获取图片名
     
304.     def getname(self,url):
     ! O% ], [+ [) U
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

# {/ i( O: R' V  S: W