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
     O7 q$ n# M2 C7 }
4. # Project: XiaoShuo
   
5. 
   
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   
8. import random
   $ @9 H: A" {4 @+ r- o& q
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    * {+ ?9 u1 g! C" M4 J1 S' ~
12. import sys
    0 F( X4 v. K9 ~; r5 w' h) E
13. import re
    - o  v9 h3 R' D1 \
14. import codecs
    
15. import requests
    
16. import json
    / S; l# v! m9 {7 ?8 z
17. 
    * ~. A6 }; E- ?1 o+ i1 Z
18. class Handler(BaseHandler):
    % R' @, C2 K4 I0 `- I# o& K3 y
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
    3 r+ A4 F& V: U4 d: o
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',
    * a& Q. \: M( l$ c4 `9 |* G
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,
    
34.         'timeout' : 300
    " A! }$ [' Y# Y6 b8 w! K
35.     }
    " W- Q! A( V! J: G5 F! J1 L) H
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    * p% D. `+ C& m6 }$ n* O* I) }
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    * w1 ^" w) e9 @
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);
    
42. #            print(sql)
    
43.             cursor.execute(sql)
    
44.             
    8 v/ O8 }/ |8 ?+ i( H1 N/ ^
45.             #qid = cursor.lastrowid
    5 k+ E! B  n0 r$ q7 V! G$ y) V
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    ( Z& [9 F! [0 P; y. I) t
50.             print("Error %s for execute sql: %s" % (err, sql))
    * i0 X+ l- D3 q$ }5 H. C% ]' y
51.             db.rollback()
    
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")
    
54.         try:
    $ }& D3 M7 j1 l& Y% W$ r$ _2 m2 Q& N1 l
55.             cursor = db.cursor()
    6 F# d/ Q% t. I9 }7 r
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);
    1 w$ ?6 b0 v0 q6 z7 ~
58. #            print(sql)
    
59.             cursor.execute(sql)
    9 L7 _* w: C. k
60.             
    3 l/ r  C/ |! \! A6 A
61.             #qid = cursor.lastrowid
    - [0 _4 ~7 F* v$ E4 T1 I
62.             #print(qid)
    
63.             
    
64.             db.commit()
    8 l/ B( J" J7 }8 m* @
65.         except Exception as err:
    8 h, ~+ t2 G3 H$ _. P* L
66.             print("Error %s for execute sql: %s" % (err, sql))
    ! G' ^2 q# ]3 @
67.             db.rollback()
    * n- K4 ~$ p+ a
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")
    - Y, R; s6 o. Q  v6 w( ?
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);
    " G) A9 \: F5 j% h9 c. j/ Q
74.             print(sql)
    + ?7 A6 E; l# X9 L$ x* T" F: W8 D
75.             cursor.execute(sql)
    ) s5 r1 E1 j8 U; V
76.             print(cursor.lastrowid)
    ' x" H! N2 S! i% C- A3 c5 P- Y
77.             db.commit()
    ! G  K3 T5 ?! Z
78.         except Exception as err:
    
79. #        except:
    % F- j2 ~% k4 x1 u2 [/ ^6 I) p
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    
83.         
    
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    5 G4 x7 z4 G2 V
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
    # }: N" c$ {- D5 o, D0 P& K. g: Q
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    1 F( x0 V9 ]) U+ w  w
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    3 |" O1 J+ [( J( g& P$ o0 n/ L
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    4 d! G0 w: X0 z  N# ]
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     * J* h0 q' E. \. r$ ^  A1 B
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
     
105.             return res
     9 Y/ u- k  K7 g/ n* C- U+ o
106.    
     ; Q% x% P& o! C" M7 W
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     9 w5 ?, C( w7 L$ T0 Y! J3 d8 P
110.         self.CaterId = []
     4 n5 q% f# r0 \3 m% h: o: K- G( }
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     . W2 ]$ [5 z7 W2 B: ^
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     / B2 n1 ~" h0 k6 T7 j
117.         global Cater_Name
     ' B+ w  }# [8 M* H+ z
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     * u9 X. C% K' |* S* o. O( p/ @+ z0 v6 d
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     ; N4 b4 \- p3 E+ w9 Q
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     6 U* Z: [0 k; S) i6 ?! e; j
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     ' x9 H) }2 }% z! ?) \/ s
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     % C% f$ X9 }' C
128.                     Cater_Name = '都市'
     . a, @' k8 ~: G" x
129.                 if self.CaterId  == 'nvsheng':
     - F8 K1 Z6 d% R8 R  v
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     8 C( r8 S1 Z% D3 y, l
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     1 l: r; m; d8 x" I& e
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)
     
138.             self.page_num += 1
     
139.             
     
140.     def list_Caterg(self, response):
     3 Y% @9 V$ H* r3 a9 |
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)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     : P& a7 R( q" U5 P; A' o8 ^
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     % S5 ^( J0 F& X$ J, i" k3 |
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     ; ^' m% p$ A8 y  V
154.         Book_Synopsis = response.doc('b').eq(1).text()
     * x3 r1 S5 d% F% @7 F, A
155. #        print Book_Synopsis
     
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     
157. #        print Book_Palabras
     % w( H! ^6 h+ N( l4 k, ]- [* b- z, P
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     2 m6 ~. W- m3 G6 v* L* Z; ?3 l
159. #        print BookIDs
     + w. g8 _% N& o7 G# D
160.         Book_Dates = str(datetime.datetime.now())         
     * z7 y- z1 L- Z' A3 w9 |4 E
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     9 b6 O4 q: q$ U
163.             print img
     3 G  L; F' J' a' }3 l- ^! T+ |
164.                 #小说封面下载
     0 L) Z+ @3 J5 O4 p  O7 J. ?; q* W
165.             extension = self.getExtension(img)
     & v! o) A+ X5 K# r  T# E( C
166.             name = self.getname(img)
     ! F0 x9 T* ~1 m8 }) n' J1 F
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     
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
     
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     $ d' w; D$ ?( u
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     ( ?9 E: e( f3 O; D+ S
177.                     "Book_Synopsis":Book_Synopsis,
     / m) A: }& w- e/ \
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     : t; t" t2 ]: e
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
     ; h! G8 d: F/ d3 s1 u  R6 |( A
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     2 u8 U5 R1 c) K# B; Z: q  N
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     
187.         Datos = {
     ) ]1 i0 D( g2 _$ [
188.                   "Cater_Name":response.save['Cater_Name'],
     6 `+ D3 x  Z, \# r
189.                    "Book_author":response.save['Book_author'],
     ! S3 k3 M3 N/ R
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     + m" m0 k+ K& e6 b' V3 G
192.                    "Book_Palabras":response.save['Book_Palabras'],
     ! d  u3 j1 G7 V/ j; ^1 d8 l
193.                    "img":response.save['img'],
     
194.                      }
     0 P; X& t8 w( V8 t' ^
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():  
     
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):        
     / y% f- h% q# @' c* X( M
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     + y6 U( Q" x  M
203.         NewRe3 = r'^\\n\\n'
     ) \5 _, G7 |9 J$ m3 {; i, a8 o
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     ' r$ T" D7 b9 j  m; O
207.         NewRe8 = u'ffhgf'
     , k& _  o* u( X9 W4 i& r* F
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     ! j1 W9 i4 O$ y- X5 i
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     / j! L0 `4 A3 y- j. ^
214.         ReC6 = r'<BR>'
     5 D  V+ ]  ]. x$ @. a* @: j! q
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
     * z% \0 t0 ^: i2 ~5 ^
218.         Book_author = response.save['Book_author']   #小说作者
     
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
     . d& H  C* m4 K& |1 |) Q. [! S7 l
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     ) a6 b) V% n  B4 j, T3 Q  }
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     4 ]0 w4 O6 W: j0 A2 {
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
     6 u: Z$ d, q& E0 G- @( K& Q, B
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     ' w" _+ [8 X0 D7 \0 n
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     5 E* G; N% P4 S0 c$ d8 C
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     . O- n2 E5 @- B4 I; v' J% w6 w1 ?9 z/ f
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     1 l' x; x& A* J! @9 ?2 Z) m
236.         print BookConte
     ( J, R* ~4 m$ S6 e* @9 H3 e7 }
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     
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]     
     + u& y: b$ ]' ?' x; w
242.         Book_img = response.save['img'],  #小说图片
     
243.             
     
244.         #insert into MySQL 小说入库
     , F" n6 b$ i2 }  j: _# B2 {
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
     5 Y$ U: W+ v* s
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 `1 }5 P! ]% n2 W: X# m& |
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
     ; Q  K( w! f' F+ N! {
249.         Datos = {
     & D% `1 p, {5 {% O9 V
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     , ^! Y2 T. d4 D  K" n6 J
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     1 h5 i/ M+ a7 A# s, s
255.                    "img":response.save['img'],
     
256.                      }
     6 W# u5 [" b. S7 f
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     : c9 D$ o2 v# e6 _+ O5 d
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     0 q4 z$ p# n9 @+ _2 ?2 N, j
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     : U$ }5 m7 {! W6 Q4 o5 l9 I/ J! e( }
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     # J5 [3 P  q9 Y% H8 H
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     8 }; b6 @4 O1 A
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     3 V8 T0 \. A1 }7 f
272.             "abover":abover,
     & Y" d7 {) v- d+ c0 O
273. #            "Book_Date" = str(datetime.datetime.now()),
     / z: U  h2 O( |' m& `6 D  J
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     , }# R0 v+ e( G/ [
277.             os.makedirs(imgDir)
     / f( N4 t2 q0 o, `0 X  e
278.         file = imgDir + "/" + file_name
     ) y7 Q* P, e& b2 T9 w
279. #        print file
     
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     7 J9 C: U# E8 ~2 P
282.         f.write(imag.content)
     
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
     , X6 O4 E  V. k7 e; h& p. k$ a
286.         content = response.content
     
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):
     ; D1 u  |% ~' P9 {5 c
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     % s( j, S# y1 Z" D( x. O
296.         f.write(content)
     ( @; c; F$ V/ [* a
297.         f.close()
     " ?8 K8 E; E. }  B! m# Z
298.     #获取url后缀名
     * z0 Y3 O4 w/ k2 H7 e% V. B% U$ q
299.     def getExtension(self,url):                           
     . H$ F. q+ w& V( w! w) A
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     
303.     #获取图片名
     # b, \$ I7 Q1 I$ N$ @/ U3 M
304.     def getname(self,url):
     . a/ ~2 X# m: `3 `  T
305.         name=url.split("/")[-1].split(".")[0]
     + z9 H& D! M0 j, [
306.         return name

复制代码

. H1 S5 Z; O! X$ `- e" \. f