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！
$ n& ^7 Q9 X; `5 T6 Y7 F& b' Z$ l& K

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   1 `8 u7 R) c. [. Y$ T
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   
5. 
   
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   8 z( F% r# i0 Q0 B4 |0 C1 v
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    & ~3 I$ h0 k! `6 L- q* {  h
11. import os
    + X/ H9 {! b! u6 [
12. import sys
    
13. import re
    
14. import codecs
    3 o) m+ w0 H9 B( p4 B
15. import requests
    / Y% U5 T6 e7 b- I3 U
16. import json
    
17. 
    ! P9 Q- ^, L- D: }) N
18. class Handler(BaseHandler):
    # }- }% D' Q! j1 m* E4 E
19.     global Datos
    1 ]& h# G# A$ e2 ~
20.     global P_dir   
    0 ?% J/ U% D5 {
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',
    ; h0 l; Q6 H. p1 R/ }2 N  a' {
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    1 ^8 A, ]( `6 d. @5 y" g
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'
    3 [. z1 \' {+ r; F& w( M
31.     }
    
32.     crawl_config = {
    0 v- \  U9 r0 K. ~) N) N1 j" p
33.         'headers' : headers,
    
34.         'timeout' : 300
    
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    # S1 @$ N" Z1 \
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    * a% @' @! V( C  S# m& n
38.         try:
    
39.             cursor = db.cursor()
      n" b- @% \2 P6 u" t: ^8 b
40.             #注意此处字符串的占位符要加双引号"%s"
    ) I& N( t) p4 z/ c& {- [
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)
    $ [- {6 v) y: S  g
43.             cursor.execute(sql)
    , f9 Y# h; I4 ]
44.             
    5 _2 R1 f, B7 a( ]: _3 V; Y
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    
48.             db.commit()
    . f! K2 T3 U- v0 w; `. J! |
49.         except Exception as err:
    * j+ a# W; U/ X8 z; q8 z
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    & c" I# h; C9 a: C
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    , i" J4 ~& a( A% `: \; g6 P
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()
    
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);
    
58. #            print(sql)
    
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    ! I- S' H8 j  h  o7 _
62.             #print(qid)
    1 M, g5 Z% y& ^" s& n4 L  W
63.             
    
64.             db.commit()
    $ Y- ]* k7 t( j3 X6 F( ^4 M* J
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):
    7 H9 f3 w8 g6 N' H* Q+ V" D! R
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    # v$ k' N- U3 ]- w" a* K$ D/ e1 h
70.         try:
    
71.             cursor = db.cursor()
    
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);
    ' Q( X' E! k. L
74.             print(sql)
    # u3 b5 G0 [( S0 n* O3 T& `1 C
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    - T+ Z  C- J0 `5 F6 p) U2 i
77.             db.commit()
    : |- C- G' b7 x+ @0 Q
78.         except Exception as err:
    + m7 g8 ^0 w; _' c3 S6 L
79. #        except:
    6 p8 d% u+ ?0 m0 n' ~. u& L
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    ( V! e& v) Y  R( [5 x- A3 C5 ^
82.             db.rollback()
    , ]: M! l; l9 k4 J* G, S- l. \0 I& D
83.         
    7 l$ J8 b: }8 R9 e0 |: ^1 n/ ~  o
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 = {
    . d9 P8 q6 O, N. l4 u' j1 v
89.             'my_u':'用户名',   #后台用户名
    
90.             'my_p':'密码',   #后台密码
    4 o4 B' C$ n0 F' @. ~- l- R# @
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    - V+ W! k$ t6 ]
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    # g' [" u! a. g
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    ) }  R7 g! g4 Z% _
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     ; t+ b( k8 x; Y; _8 W+ g8 z. n
102.             print res.text
     
103.             print res.content
     * P) Z3 ]* Z- r, \
104. #            print Dsd
     " |; R) g* [+ l+ f4 {# R! {
105.             return res
     + s" f7 z! U* N3 K" o
106.    
       X, O( T7 K& C. ]
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     ' C! r. J: ^2 F" J) g
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     + [5 z! W4 L- Y) m
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     
117.         global Cater_Name
     - U( u3 |* f$ z
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     ) t6 m8 @7 X5 }" S5 G0 y
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     , Y; H3 s. X! ?; @/ C1 y, z
123.                 if self.CaterId  == 'wuxia':
     9 Q0 F$ v8 ^) G! w
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     5 x9 F6 D) K7 m$ ?
126.                     Cater_Name = '历史'            
     1 n3 c9 w7 Y. N  n; V
127.                 if self.CaterId  == 'yanqing':
     $ W: c8 N7 I9 D
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     # w$ @  V* r3 X5 S2 f6 G1 e0 J+ t: e
130.                     Cater_Name = '都市'
     . u9 m* I' j$ L8 N% C% D0 {  d/ t
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     
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)
     $ \! ^) v& [! Y" l/ [' t
138.             self.page_num += 1
     7 D5 `  l1 Q7 `& B6 S% Z
139.             
     
140.     def list_Caterg(self, response):
     ' Z$ ^* h' C. t5 t- _
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)
       n9 w' a- l1 P) K) D0 G& T; ]; u' w
144.             
     
145.     def list_Caterg_detail(self, response):
     : K7 c/ \! k3 D$ A  t
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     * a7 {" C1 N- ]- }) c
148.         Bookname = response.doc('h1').text()
     4 C  s- b9 O* w
149.         print Bookname
     2 B# Y* v  V$ r( h1 g; @
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     - i1 F. |' ]1 o& |8 u. ?  a' [
153. #        print Book_Introduction
     # c% N6 D/ X4 w, I
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     
157. #        print Book_Palabras
     8 V( [' X7 w4 ]
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
     - H/ w; o/ }% [2 X* Y$ O- [
160.         Book_Dates = str(datetime.datetime.now())         
     3 g2 M$ ^  g* P) D
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     
163.             print img
     % S! ?  K3 m3 G! ^0 d
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     , L/ A3 ~. s7 h+ p2 U/ g( \3 |
166.             name = self.getname(img)
     ) N) k( N. _, S
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     - c6 ?/ N: i# e7 R9 x
169.             Locaimg = imgDir + "/" + file_name
     
170.             print Locaimg
     - b' A; j+ |( s
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 = {
     ' |! z# y) I, o( F. f- f- f7 }
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     ! l2 E& {7 Q" z8 `
176.                     "Book_Introduction":Book_Introduction,
     % Y) r7 r9 a' ~0 z; T8 I
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     7 g: _# E6 e# C8 q" V
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
     2 r/ N% ]0 g- _$ n8 Y
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     % p; h# d3 u: l, v
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     1 r5 T# b  C% y" i" T! h$ o
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     ' F* E% t0 x+ g( B) k( N$ z! \  R
187.         Datos = {
     8 V% n* j! z1 _0 F( b% }
188.                   "Cater_Name":response.save['Cater_Name'],
     . X5 v' k; a8 x3 K9 n  M
189.                    "Book_author":response.save['Book_author'],
     1 K- r" @7 B3 `8 F# U. p4 m7 w* K
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     , l6 j4 g9 V5 l9 X- w8 X: z* q% p! A2 q  c
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     
194.                      }
     2 q, A  a1 Q3 S5 ~
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     9 F) V# ?, u3 O1 }% ^
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     1 i' ]8 h6 W+ z! c9 Y
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     2 r; }& {+ j# j# O
198.     @config(priority=2)
     3 O; Q& A8 k: g9 n
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     ; f: _6 t, v; [6 ~& o3 Q
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     4 o# \) G/ b. r: x. t$ N/ y8 n# b: Q
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     # [; P8 V8 _) q* f
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     ' u- A+ @  t4 g5 K
209.         ReC1 = u'静思'
     3 T* F- c) n5 K
210.         ReC2 = u'aghgf.com'
     0 D% s2 r0 J/ H; i! v% H8 a
211.         ReC3 = u'aghgfh.com'
     ) ^5 ^0 |* |5 ~
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     ( q0 |. E  j# H: X4 t
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     3 R& u3 Z" @* u; f
218.         Book_author = response.save['Book_author']   #小说作者
     7 t* u2 N9 i8 B
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
     9 s7 q& F! H$ z8 E& U
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)
     : Q* [4 b( B7 c' V/ W
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     $ n5 f/ R. s) q9 s
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     1 a* n% p) a1 w9 d& f8 g% p
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     $ D/ R* j+ b8 g$ E# m% x
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     4 g  \, h* k$ Y  i
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     $ R2 Z+ o  E, f( t) X, b
235.         BookConte = BookConte4.replace("\n\n","<br>")
       ~3 t8 e. y+ H( a; D% O* I4 Q
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     7 Q: S* h9 _& b6 T
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     . s$ J0 Z9 u, N$ Y0 n5 @1 n7 P
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
     . V; H9 r( H; 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
     1 V$ ]' x8 \6 n3 {1 j
247.         #post提交发布
     6 H' \- ~$ y. y, r0 E& ?$ w" c
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
     % h: c7 G: m( q' P! ]" \
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     : ~% A1 \! O& T6 B8 u
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     8 g# V  A; ~9 I( g9 v+ H; P
254.                    "Book_Palabras":response.save['Book_Palabras'],
     2 n5 V, p5 o; B0 g7 `! ?. A4 b( C" g
255.                    "img":response.save['img'],
     
256.                      }
     - Z( S) j6 t& ?1 T+ G  D
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)
     . P$ D% B: E% }1 t( j: q& l
259.         return {
     
260.             "Cater_Name":Cater_Name,
     6 F4 `9 z8 n! B/ g3 n
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     4 A- t; R- z8 K' |4 ?$ j
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     6 o0 A8 K& }4 S2 T% }# B
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     & m. T* [" ~: G
271.             "Titleid": Titleid,
     , o7 J$ z' V- r: ~4 E! l6 C  w+ ?
272.             "abover":abover,
     + o" ^! N6 Y  o; \
273. #            "Book_Date" = str(datetime.datetime.now()),
     / c7 K2 F0 C* |9 |
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     1 Z& H- ~6 X/ H8 U, f
278.         file = imgDir + "/" + file_name
     
279. #        print file
     * U/ f8 c- C- d  @' g
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     , u( E8 e) a3 Y( {5 Y4 P* d( h
282.         f.write(imag.content)
     
283.         f.close()
     ; w9 J0 \6 j) A5 D9 y! J
284.         #保存图片前
     9 q* u: u  p: X  L% S
285.     def save_imgs(self,response):
     
286.         content = response.content
     
287.         file_name = response.save["file_name"]
     2 O6 n' n! V& n7 l
288.         imgDir = response.save["imgDir"]
     8 m8 [6 F2 z* V( v1 \! V/ I
289.         file_path = imgDir + file_name
     ( e" G* g# i+ W" I  v- X6 Q  j
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     5 B4 A  D7 g7 ~1 H+ x6 [+ A8 _
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     9 r3 T* s$ r. g2 d
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     $ \/ [) [7 H1 n0 E; n4 x& D$ R
298.     #获取url后缀名
     2 @1 ?' Q( {2 x4 Y* B
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     2 p: g: R) @* g( y# o
301.         return extension
     / X2 [8 K: U" V
302.    
     ! c& w: n. w' ]3 O
303.     #获取图片名
     
304.     def getname(self,url):
     1 \2 C9 `% \0 f; ^! k: F
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

% s! p. R9 _- }& g' O+ B: B