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 -*-
   
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   
5. 
   
6. from pyspider.libs.base_handler import *
   ) q) y, X+ z6 n3 w- c; K
7. import pymysql
   8 K6 d1 a( s1 W$ ~( n! ~& F# u
8. import random
   
9. import datetime
   $ V  M9 j3 ^3 v9 j' s' S
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    
13. import re
    2 z  \2 \1 G+ Y. d
14. import codecs
    2 J" v! }8 f, ?2 X7 Y: V; L
15. import requests
    
16. import json
    . ^9 y0 s  [% J- m$ i1 V
17. 
    
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
    5 w$ D/ S( b- s# w6 r6 U/ t
22.     global Datos
    ' A$ ?  J3 ?; H" \
23.     Datos = {}
    
24.     headers= {
    # f# u2 J* p. q/ W+ }8 W
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    & X, k5 f% |2 N, K
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    % G) i1 C) @- Q; {# d
28.     'Cache-Control':'max-age=0',
    4 t" n# ]* b+ I, }+ F
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'
    % T7 Y3 q! C: x8 y
31.     }
    1 w; J, R8 `& p4 g: f9 k6 S5 h( i9 X
32.     crawl_config = {
    
33.         'headers' : headers,
    
34.         'timeout' : 300
    6 @2 i# O6 T' [6 S5 s8 q! P
35.     }
    ' v: X% I) }7 e- V9 `: \3 ]4 G( z
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    ( N3 Z% g) ~8 \2 S
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 t3 M2 d: `1 L% o( s- Z; \
40.             #注意此处字符串的占位符要加双引号"%s"
    0 q/ M" @% s# q1 P" K, e3 e3 @
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    5 Y) ?8 U6 g  n# h6 W
42. #            print(sql)
    * C; S, F' S+ A/ p- s9 T
43.             cursor.execute(sql)
    
44.             
    
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    0 D/ r; K* E$ C" d! \9 w
53.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    7 h" E- p: H8 T5 L8 a$ T9 H
54.         try:
    " \! A5 c9 a$ Q  P5 G5 ?0 U& J( [
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)
    $ Z  O7 w# j: ~& s$ T9 r
59.             cursor.execute(sql)
    * K3 P. A0 D3 ]* L- }. Z0 z- R- j8 V
60.             
    
61.             #qid = cursor.lastrowid
    , c9 O& F: M) G* U
62.             #print(qid)
    
63.             
    1 z' H4 W8 v* r3 _8 n" S( O# @: G! [! F
64.             db.commit()
    . d* Y8 Z/ ~) J( W5 ~4 C
65.         except Exception as err:
    2 F' q1 C8 U% u6 N: C8 i
66.             print("Error %s for execute sql: %s" % (err, sql))
    ' \5 q7 l6 H# I3 N6 u  G
67.             db.rollback()
    ' z1 h: A3 y! {
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")
    & o( |, r3 }( Y- ]
70.         try:
    - p/ n3 L! G  g1 R7 {3 Q. o
71.             cursor = db.cursor()
    * c8 L% ]( K' K' S/ f% ]
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);
    & O0 n$ g# Z3 b
74.             print(sql)
    
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    * c7 j/ u3 e1 b2 ?+ D2 k3 W0 d
77.             db.commit()
    ! u/ @  r* O3 P# p. ?
78.         except Exception as err:
    ' C% W' o- l7 P: F. p, U
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    " S* I% g6 L% |9 w) E
82.             db.rollback()
    - d6 W. b  b. z' }
83.         
      I6 u, |  l7 i( T# t( ^3 R6 S
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    * d  G2 l3 _0 C& i8 Z# X! \
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    6 y, g' a: |' s; c) i
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
    . [, C$ `3 p5 d6 c
90.             'my_p':'密码',   #后台密码
    2 t* C" I) F% v8 _- ~3 X- L, G
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    2 {  {$ A0 `4 j$ s0 V. ]
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    ) y" ]- M, w6 k% m" |
94.             'article':BookConte.encode('gbk', 'ignore'),
    ) Y6 o+ p3 J3 M
95.             'author':Book_author.encode('gbk', 'ignore'),
    " l) z5 S% {- C' y, \# s, p1 Q- ~
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    ; g! M7 Z  M1 H$ A9 W8 {
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    4 k& D1 P( K% R$ V' ?8 [
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     6 U4 R: F, e7 Q. R0 V
102.             print res.text
     9 @, O* @) }' N6 d. n9 [2 L
103.             print res.content
     4 G* _( G6 w$ T" R; L
104. #            print Dsd
     ) P: L9 ^% u# E
105.             return res
     
106.    
     / @2 V. B. Z1 y
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     7 j2 j+ D9 @5 F6 y" ^6 h
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     + u/ i  ?% p! S. ]2 h0 c
116.     def on_start(self):
     3 j2 Q8 t6 ~7 c9 N  _8 A* v- P
117.         global Cater_Name
     9 o, k' D4 |+ V3 e
118.         Cater_Name = []
     8 O/ R( `1 p3 Q
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     4 `# o9 L+ R5 l# _3 c  F6 O
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     ; E; Y( Y5 |( l$ c. j
123.                 if self.CaterId  == 'wuxia':
     3 O3 O* Q3 v$ _' P
124.                     Cater_Name = '武侠'
     0 N7 U7 B3 m7 ~# e1 e
125.                 if self.CaterId  == 'lishi':
     3 I6 M: t& A* N+ M$ B1 N, g
126.                     Cater_Name = '历史'            
     9 w* c& W- E; m, o5 S% ~
127.                 if self.CaterId  == 'yanqing':
     6 [& c, n6 w% `* B
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     2 \9 ~$ B  v) [2 q/ ~
131.                 if self.CaterId  == 'kehuan':
     & `9 n' v& w6 ^! ]; h6 M
132.                     Cater_Name = '科幻'
     4 w2 ?- F( [6 `/ h
133.                 if self.CaterId  == 'kongbu':
     $ \* U  n4 h- t+ b) i8 e; m
134.                     Cater_Name = '游戏'
     0 h- A. d* |% s2 u, |: O
135.                 print self.CaterId
     8 p( D& N6 I" }' m7 U$ E
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     1 B4 A- j- Q  Q
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
     ' k3 k. e9 x, e+ c7 j6 u! q
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):
     
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     " N; b3 K8 z- E/ R- j
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     9 W4 v4 ~) G4 Z; F! R
151. #        print Book_author
     ; ?8 H6 U3 b+ H/ B$ y$ i* j) v8 f
152.         Book_Introduction = response.doc('.book-intro > div').text()
     $ G9 f' N2 ~* ^
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     " Y: d' ?5 e. L5 m+ ^
155. #        print Book_Synopsis
     
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
     ) Y9 b/ u7 E( i8 @3 o% s8 r
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     , t: G% L1 ?  _% K9 R' p2 P
162.             img = imgs.attr.src
     5 |' u" _3 `: V% B
163.             print img
     ; j* J* C5 a: X6 w
164.                 #小说封面下载
     . ?" L$ l3 `) [* U- m
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     
170.             print Locaimg
     $ q3 Z8 y1 d* f' u6 q. Z
171.             if(self.download(P_dir, imgDir, file_name, img)):   #这2行可注译，图片下载到本地
     " v- c% L, J; @% o5 A2 i% H/ r, {0 H
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     ! x* ?& ~7 n5 Q  Y
176.                     "Book_Introduction":Book_Introduction,
     
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     " S9 h  r* R4 A& }9 Q% y2 G
179.                     "img":img,
     8 Q, \# O3 r. u" `
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
     5 @- l1 e8 {/ O4 |! l+ Q" w
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)
     5 S2 F' p0 y) V6 }' m- e7 ~$ N
184.             
     : u: l0 J0 T, Z3 E$ b2 [- d& S% W
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     8 h" ~& u8 d8 ?. O9 S
187.         Datos = {
     8 M1 b9 J0 b1 N' J
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     - g6 \4 t/ L  d1 D
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ' h7 z9 t; R8 Q: w, R- w2 a
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     ; w' _! x/ H+ w" X  ~9 D' q1 T
194.                      }
     
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     ( W) ~% n; R  z) q
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     4 t6 X6 r& q) B" \+ v. m/ j) h8 c0 Z
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     5 i% ?$ a" G8 c" I  F0 L
198.     @config(priority=2)
     , e1 V! w) `) A9 ]4 `: `
199.     @catch_status_code_error
     4 K! @2 m9 F, f9 V
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     ; x% M: w: {  m* K
206.         NewRe7 = u'fgfgf'
     2 P' O9 t8 G) g# O9 |9 C* D
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     , M2 @  w$ i. m, p$ S, s5 B
212.         ReC4 = u''
     - j* h: x0 M' b  ~
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
     
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     ) @0 j4 D% n' y9 E- @1 a+ |* Q
218.         Book_author = response.save['Book_author']   #小说作者
     
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     & t1 V) }5 u! N$ E/ r  j8 p
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     ' h4 ?" ?( J/ n4 K" {
222.         Bookurl = response.url   #小说网址
     ( a5 n- g" z) s: ?( U  j; _
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     
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)
     
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
       [+ s/ D+ ^: {1 F4 x3 e: V+ {
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     " Q8 K* e  m' u6 d* F
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     2 D$ @0 |8 u! i, d9 `. h; c
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     8 g( M3 f7 v+ S! h  x7 |* ?
235.         BookConte = BookConte4.replace("\n\n","<br>")
     7 J8 l) Q4 t& R
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     4 I7 ~5 a8 `- P4 W! a# T
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     : ]$ Q" Q; @/ S" }) v! e
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
     " z: ^& \. d- [- L" Q% p
243.             
     . I- [9 |) n; t
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
     + q1 S/ e2 P3 G" u9 m! r
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 D0 ~0 @' v. `
247.         #post提交发布
     ! m) M0 d* k( {- l  L% l! ]0 K' |
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'],
     
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ' ?9 J  h/ _5 A2 O" e% Z
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     ; R( E4 Y1 }, x0 n3 m* j
256.                      }
     
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     * _9 u. t. k( |, o8 I" P9 J2 K
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     
260.             "Cater_Name":Cater_Name,
     7 m. B2 H+ q) b8 H# R
261.             "Bookname":Bookname,
     # h8 B+ {" S8 r% y$ D8 i8 t
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     # A/ m1 |  h: ?1 E( @5 Y. Q
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     $ U" Z  a$ F3 ?/ D3 `
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     8 `$ s, W, t* o7 l5 u' Q" N: H
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     4 g! e/ E! B) K# ~% c# t& x  C9 c
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
     
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
       }- G, _; q( L- W( y
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
     # A' R3 p' [' D" {' Q
286.         content = response.content
     3 v, {" w- E4 ?
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     . c& q8 k0 S" n# n+ N1 u4 Q
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     , k0 N9 o' Y) [$ _$ J
291.     #保存图片
     . j7 p4 J, I- S  T1 k
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     8 k, X2 K7 ~% z+ w3 ~
294.             os.makedirs(imgDir)
     4 D" W3 n+ a! a! E
295.         f = open(path,"wb" )
     
296.         f.write(content)
     ) k6 M& Y( ~4 w# Q
297.         f.close()
     
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
       K) b) t: g/ Y1 q, j
301.         return extension
       y+ g$ |/ Q9 o
302.    
     0 V& r$ T5 _- q) M' y- f
303.     #获取图片名
     / Z9 ]. f8 y0 x
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     5 I7 ]6 ~! Y4 H; o9 X6 a" {( ~, U3 g* k
306.         return name

复制代码

5 O* \/ W+ b; D! k& h5 c