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！
* ~3 z& |* X: A, z

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   & L% T/ \4 w6 l, h
4. # Project: XiaoShuo
   
5. 
   
6. from pyspider.libs.base_handler import *
   3 o1 Y5 n( B/ f
7. import pymysql
   ! Y/ [9 R  d5 j5 Y3 \( h
8. import random
   5 F3 s2 R* i# R& V
9. import datetime
   
10. import urllib2,HTMLParser,re
    $ ?9 \( o6 ?7 D( y# T" I
11. import os
    
12. import sys
    4 _' E  f( Q" \# d
13. import re
    
14. import codecs
    8 r1 B0 x$ @1 @3 [. A; w$ I3 C" ~
15. import requests
    
16. import json
    ( a8 l) F, n2 ]0 t
17. 
    
18. class Handler(BaseHandler):
    . T; P* l2 |7 d) x  Y
19.     global Datos
    
20.     global P_dir   
    8 Y  I3 u3 C2 \1 Y+ j
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    - B- L; N+ e. M. M9 I7 |
22.     global Datos
    8 [  u( o6 P! s: I) r3 p
23.     Datos = {}
    - B( Q0 j- I  k
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    / ^/ ?+ C9 k5 n, u) S( Y) w
26.     'Accept-Encoding':'gzip, deflate, sdch',
    ' @3 B4 T# V8 q8 O: z& N
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    # A1 v9 K. y; \1 P8 ~! l
28.     'Cache-Control':'max-age=0',
    , H" V6 F! |! j9 N6 F9 ]2 F
29.     'Connection':'keep-alive',
    8 r6 e5 v2 \( E& v
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.     }
    . j% x" ^" i' {, d2 l
32.     crawl_config = {
    
33.         'headers' : headers,
    6 |6 I/ s5 v9 D. v
34.         'timeout' : 300
    
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    4 J) X' V( O% x9 @% P: q
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    0 X) u% ~* c% t( R/ s
38.         try:
    
39.             cursor = db.cursor()
    ' l0 n0 I8 V: F
40.             #注意此处字符串的占位符要加双引号"%s"
    2 R3 w* A4 M3 @( Q% 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)
    : P: s% v! @6 L% T& o" ?# B
44.             
    ! L4 M+ M0 K  B* _7 r6 D4 g
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    0 R* k+ I% F2 e% n
47.             
    & B1 \0 ]& I* |6 v6 d% h* Z
48.             db.commit()
    
49.         except Exception as err:
    ' J7 V9 y$ M/ c  L: }* g8 c2 s
50.             print("Error %s for execute sql: %s" % (err, sql))
    % s3 e+ ]2 g0 F( J+ Q) U$ A
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:
    " D) B1 t8 [% m5 X0 L
55.             cursor = db.cursor()
    & @2 [, Q) E1 Z, y; W8 [
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)
    1 q: _  l8 F/ |% i0 e% f
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    9 N% h2 x/ n4 B8 Q, I
63.             
    
64.             db.commit()
    
65.         except Exception as err:
    5 h" L* P+ t& L7 O* S8 Z% u+ B6 {
66.             print("Error %s for execute sql: %s" % (err, sql))
    - }- I! R: \8 L( S
67.             db.rollback()
      i- Q; _: G/ ^! `# M& F" 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")
    $ y4 X5 {( u' c
70.         try:
    
71.             cursor = db.cursor()
    ( V4 C6 i2 x" K7 x
72.             #注意此处字符串的占位符要加双引号"%s"
    1 R. ^! |6 b4 ]& \9 m+ F7 z
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)
    8 u! d6 ]- ^5 j$ C. c$ E% }
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
      O: L' Y) D4 E# e! u
77.             db.commit()
    
78.         except Exception as err:
    
79. #        except:
    1 n6 n9 h9 Y" D
80. #            print('Failed')
    + M5 b7 X; m1 S% y6 }9 V  d
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    
83.         
    $ D: F: P3 [8 {3 c) N
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    ; n( H! t7 o1 n8 [( l( }2 K3 R
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    7 f3 B! j" I# f* B- n
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    8 s+ [3 {4 r' p3 H& s/ n. C
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    
90.             'my_p':'密码',   #后台密码
      _5 S" i$ f+ B+ M
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    9 F" Z' z" t( i' t3 ?/ U8 U
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    : i3 Z; E# ?" A6 {/ {0 _! [
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    % m" o# {" V7 y. `
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    7 j9 d! |/ O  Y  j& M$ u
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    , R) g9 }7 T2 q) H8 v+ C  z2 b0 V
100.                 }
     0 e! z0 U9 d6 A/ m. j6 E. \$ q
101.             res = requests.post(locoy_url, data=locoy_data)
     7 ~! _( Y4 J1 Q1 e2 ~
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
       l. k! {+ P, F. A8 Q5 S
105.             return res
     
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     + h, g% ?* A) g
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
       U  ?8 W5 ~" P: k9 s: l. I
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     / J4 h) m% y* l9 `; y3 u' D& V
116.     def on_start(self):
     
117.         global Cater_Name
     1 C! Y; |& P, w. }/ [# x( h
118.         Cater_Name = []
     7 w- m2 k& M5 l( E  s; _
119.         while self.page_num <= self.total_num:
     6 G" z% N2 L0 ^3 h2 \
120.             for self.CaterId in self.CaterIds:
     3 v3 H% H4 k8 j4 N4 K
121.                 if self.CaterId  == 'xuanhuan':
       C$ S2 z6 J9 O% I( y, n
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     1 T+ A- V$ C; h- E! M6 v
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     ! p/ X& Q6 L* I. P+ l
129.                 if self.CaterId  == 'nvsheng':
     9 V6 a5 {# ~/ c, i
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     * X/ f1 b, K$ A; P  S  K4 d4 C
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     4 d1 v* \7 F7 B' S( r1 E' E( _
135.                 print self.CaterId
     0 N2 Y0 ^( D2 [* \" z* p
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)
     9 {& D6 n, y# S3 J$ `
138.             self.page_num += 1
     
139.             
     # @* \, U0 B/ u' y8 S& L
140.     def list_Caterg(self, response):
     + S; ]' x9 S( b9 J+ f
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
       L8 N, C3 \3 S
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
     4 j# l% Q& a- ?0 Y0 k  l; q* ]
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
     * [" e4 u% Q# Y/ ?
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     8 O$ E4 I6 d1 g9 z
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
     / j& i; C  {% H6 |8 v& x  w
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
     1 K2 `& Z, B  @4 L* a
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     4 m3 ~- z6 Z6 r' Y7 r. A
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     5 `( c! Q7 u+ u9 b8 z" U" p) V; V
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
     ( m0 Z+ }+ B* L  e
172.                 print('attachment url is ' + img)               #
     ; m# W8 S- L% y3 n
173.             Datos = {
     + V; C- K9 c( X. J8 a" s
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     , O1 r+ s' o: x+ L& c( v1 u1 E
176.                     "Book_Introduction":Book_Introduction,
     9 q/ Y3 i+ u* }$ m4 B
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     3 G) E' E/ @4 t  Q
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
     & b7 g/ M- Y* x
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     2 l' `3 Q& u; x1 t
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     ! @7 l) G0 W0 w, p' w5 A, s0 F
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     . C% f8 f, Q: ~/ W
187.         Datos = {
     + l+ P# p" I$ ^& W9 |
188.                   "Cater_Name":response.save['Cater_Name'],
     2 _9 G/ x- }- W8 K4 Y& x" C9 K8 r
189.                    "Book_author":response.save['Book_author'],
     
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
     ; Y- t4 U0 `6 l  ]/ v* O$ t) k
193.                    "img":response.save['img'],
     $ T  z9 N" ~4 x+ t4 D$ k8 N1 }
194.                      }
     " }- V, C! ?% |( S
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     % {- A8 W+ h3 O1 p+ s# F/ T( \
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):        
     7 z3 z) Y2 q  ^  [' ~9 t
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'
     
206.         NewRe7 = u'fgfgf'
     " C; f: z1 ~) X. z
207.         NewRe8 = u'ffhgf'
     . d# h% B6 l' ^( C$ ~
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     , p2 |) T2 v+ i6 n5 q
209.         ReC1 = u'静思'
     2 f+ v# z) v$ R& z3 ^
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     ) M, p8 W4 u1 {0 K
214.         ReC6 = r'<BR>'
     5 _; O" y8 f2 K
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     0 T: S0 A, B9 m- f: }* U) I, W
216.         print Bookname
     9 |- {" S4 t* P2 e$ L4 ~( {- {
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     5 ^  _& I" J  e
218.         Book_author = response.save['Book_author']   #小说作者
     ( V. v8 K1 C7 [) h5 _
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     7 z) `/ j% \/ k$ Z
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     : [* }' Y  e, S- l, D  w
222.         Bookurl = response.url   #小说网址
     ! T- B, Z/ |) C4 F. _( z9 c5 [
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
     - V8 \8 B0 Z. M0 Q/ z- d0 f4 E
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     7 j% u- h# G+ H8 t( ]# o  |1 o- h
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     5 H$ T2 V2 i; n1 w  d+ U
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     " H. ~; H, B1 O" B# ~! Z8 q
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     ; e: R) f6 Y& S8 w. j: q5 n
235.         BookConte = BookConte4.replace("\n\n","<br>")
     % d  C' u2 @1 a5 L
236.         print BookConte
     ; u7 {( A! l9 N5 M; B8 H; Z
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     4 n) {0 N+ x2 W$ ?. ~
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     9 }% Z- |$ _/ C# D. m. d2 M
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     $ G. N% u  G" _. J. T
242.         Book_img = response.save['img'],  #小说图片
     
243.             
     + d, [6 @: Y7 T( z7 @4 i. Y
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
     * U/ L1 c3 B. W, y# \0 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
     
247.         #post提交发布
     7 g5 e1 t! G0 y9 S5 j
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 = {
     : o$ S% L) n3 d4 G! T
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'],
     
255.                    "img":response.save['img'],
     . e" d) u2 \2 l0 d, l
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)
     # d) X; i" w5 B1 z2 g, ^7 p
259.         return {
     
260.             "Cater_Name":Cater_Name,
     9 i; e4 w3 u! x8 |  j1 e1 o5 k
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     ) Q4 Z9 g% X: I+ f3 m$ Q6 ^  I
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     ! Y/ k% x+ s; h% [" |' R' e
267.             "Bookurl": response.url,
     . e3 y: V, S2 ]  O( l
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     - k$ \- N4 V9 [& p. a0 x
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     ) O4 i+ A$ i) a  \. B/ q/ p
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)
     ! u- T3 X# L2 x' \' @7 k
283.         f.close()
     % J+ V; q. f0 m- G2 R7 i: s; w# ^
284.         #保存图片前
     
285.     def save_imgs(self,response):
     % w& o4 V% k0 {% T6 j( m8 O
286.         content = response.content
     ( x4 w, x2 `1 L
287.         file_name = response.save["file_name"]
     % T1 w  t( P. y  h( `$ ^- n: T
288.         imgDir = response.save["imgDir"]
     ; d/ v. q8 S$ m3 p- k$ B7 I4 S
289.         file_path = imgDir + file_name
     . _- K+ c5 e7 `( |! [2 |+ i& R# h
290.         self.save_img(content,imgDir,file_path)
     6 [, t* ~7 N" ?7 }& c- B
291.     #保存图片
     ' ^; V0 S* j" k2 y
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     ; f* S) A) @1 Z! o
300.         extension = url.split(".")[-1]
     / l1 \" l! v6 s& j* C" Q7 [
301.         return extension
     
302.    
     
303.     #获取图片名
     - E% ?& g1 ?2 }8 |1 Y
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     & h" t& a9 D) {6 l, r
306.         return name

复制代码

. s% K+ d6 L( \' o5 A