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 -*-
   ' [1 P+ g, s  ?, ?/ O8 I  i
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   
5. 
   : M7 m9 w; l2 s  _0 l# E' i
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   . \  R! p. a) p4 ^+ y
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    . z  j/ Z; r# g; X
12. import sys
    
13. import re
    
14. import codecs
    ! w; L& E8 @# x
15. import requests
      P- {4 J. L( i: R7 g) C( I
16. import json
    ; @3 \7 O% a* M) r
17. 
    ! T) @* v1 ^" Y7 ?
18. class Handler(BaseHandler):
    / o3 J  [3 Z8 @3 y8 b
19.     global Datos
    
20.     global P_dir   
    - F3 O8 }9 O! r
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    4 y- k  V+ g; b: w6 d4 ~
22.     global Datos
    
23.     Datos = {}
    
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    8 Q% X; A  ~; F0 c
26.     'Accept-Encoding':'gzip, deflate, sdch',
    " M& R2 }1 k. j) S1 I; _  X
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    8 ~; b, K5 b& n$ |- r
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.     }
    2 s4 l( @. O1 W2 l8 v  s
32.     crawl_config = {
    
33.         'headers' : headers,
    8 X6 l. \- g/ D- o! E" Q2 ~. |
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")
    . ?1 r6 O( o+ r! |3 |
38.         try:
    0 [9 j9 C0 d6 Z
39.             cursor = db.cursor()
    
40.             #注意此处字符串的占位符要加双引号"%s"
    * h7 J0 B7 h: Q$ r
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    , \( ^3 I) f- q" |0 a$ g, Z
42. #            print(sql)
    % f: t, `0 l' v
43.             cursor.execute(sql)
    + d' h, M% c  j7 `# l& h; H# Z
44.             
    
45.             #qid = cursor.lastrowid
    4 }* {+ ~* v- z# d
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    / G7 R( R* [9 {9 z
50.             print("Error %s for execute sql: %s" % (err, sql))
    $ M' ?+ k9 A! C# R: f+ F
51.             db.rollback()
    - ?) P0 i* F& ^: v( d8 m* K2 p" d
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")
    2 L3 T7 ^8 T4 n8 S
54.         try:
    
55.             cursor = db.cursor()
    , ^% o; M9 _8 a0 y9 I
56.             #注意此处字符串的占位符要加双引号"%s"
    9 l2 F1 W( J- m  N7 \9 Y, J- m
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.             
    4 j% x) B5 e+ c5 f$ h! j4 v  ^" L
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    
63.             
    ( x( Q( M2 S5 _/ `
64.             db.commit()
    
65.         except Exception as err:
    8 G6 m# r% X7 d3 Q7 F  y' \- W" A7 v
66.             print("Error %s for execute sql: %s" % (err, sql))
    0 O4 K& @# j# _# @( s1 ~
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:
    8 c$ w6 J# J; Q9 b% A1 P) ~
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);
    / v7 k; y" C5 z, b$ ^6 I
74.             print(sql)
    
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    ( K2 l  ^4 Z/ m; s
77.             db.commit()
    
78.         except Exception as err:
    $ j8 ^( t. i6 q( ]  `- N
79. #        except:
    . l6 G* u+ D# H& p
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    . c5 _- p1 C" |2 s$ v
83.         
    1 S' P3 u+ K9 c: `1 C7 i8 T
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    + Y0 [+ R/ Z8 G
86.             sys.setdefaultencoding("gbk")
    
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    , ]7 D) M" U# R& v' G3 n4 ]
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    : g3 ^8 s, H# {: T8 r0 M
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    ; O3 Q0 ], b, a; O" n
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    . p8 w/ Y. Z: S6 i1 X$ G
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    , s, j8 h( E8 ?7 c
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    $ f: _, g! m- S2 _+ ~# @' x
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
      u; k, h6 b) n+ ^7 d
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
       z4 k3 B4 H) h/ [0 j
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     # R, U' U! r# X9 m4 f
103.             print res.content
     
104. #            print Dsd
     " _4 z5 E0 u; K( U  h
105.             return res
     $ D5 L' D- T1 ^) O8 A
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     0 C9 f; s9 s2 m3 |8 v9 L0 x
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     2 G: ~3 C6 W9 w/ B) H7 O6 M0 E8 A
113.         self.total_num = 200   
     " M( _$ d# v8 R' ]" H
114. 
     
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     
117.         global Cater_Name
     
118.         Cater_Name = []
     8 e( W  k2 m, V$ }  H
119.         while self.page_num <= self.total_num:
     6 Q8 d! `* j8 b3 q2 A) e
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     0 `9 G8 B& S2 J2 R
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'            
     , }9 h# G4 U. Z) `, }2 h$ F- U
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     9 [) W% J6 V1 k9 f; B3 B
130.                     Cater_Name = '都市'
     1 q. p7 R. g+ f/ F& X/ }: i
131.                 if self.CaterId  == 'kehuan':
     7 [+ t1 P/ P, Q! o* I
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) + "/"         
     ( v0 B& d- z# H& P: D+ O; y& q, P- P
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     " [9 s3 R4 B7 ~3 f7 x4 J
138.             self.page_num += 1
     
139.             
     
140.     def list_Caterg(self, response):
     # y4 Q. w' N- K- T' i
141.         Cater_Name = response.save
     & O- s5 \( }* @8 u8 }4 C$ C8 |
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     4 `7 T: W# i" `
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     ) ^& @. d0 \- G( k2 x
145.     def list_Caterg_detail(self, response):
     3 k% l8 W4 N, w: @
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     6 h" L/ x  n' F1 D4 l# b
148.         Bookname = response.doc('h1').text()
     5 m, o0 s, ]/ A6 e3 t" }! M
149.         print Bookname
     2 D! N) w7 S1 P& N9 |
150.         Book_author = response.doc('.authorname > a').text()
     5 V4 o$ _8 Z: L$ A- L  o, n
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     . F3 g6 W/ ^) W4 f. I( M: X
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     7 n  E6 R8 _. p9 N
155. #        print Book_Synopsis
     7 W1 w. i2 \9 n3 A$ ~# e/ i1 I
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     7 B/ B, m0 i7 L7 N9 J3 j
157. #        print Book_Palabras
     9 I) B5 e- m( a, ~  R
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     1 H0 W3 v7 w  c% \
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     8 @5 p: w' \# j# \7 u
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     2 h, V' O' e) `/ {: J8 S- @
163.             print img
     6 }" `& F9 k9 G& W/ w
164.                 #小说封面下载
     1 e4 e! w* Y. L& o6 f/ E# U
165.             extension = self.getExtension(img)
     , o7 ?8 y, K9 B4 E6 A( o4 k
166.             name = self.getname(img)
     $ ~2 r/ P; n9 Y% D  O6 b
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     2 T- Y( j) H1 d- x
169.             Locaimg = imgDir + "/" + file_name
     6 Q: v+ O" T7 C3 {2 E8 }2 B
170.             print Locaimg
     7 r$ Q$ v) I/ ]" G! G
171.             if(self.download(P_dir, imgDir, file_name, img)):   #这2行可注译，图片下载到本地
     # E2 k. t/ g4 f# n
172.                 print('attachment url is ' + img)               #
     / A+ b( J  ]% N0 ], _8 ]# O1 I7 e; L
173.             Datos = {
     ( ?: Y: i% w! M8 h; g$ Z. N- {
174.                     "Cater_Name":Cater_Name,
     " j5 {' m/ l; L3 Z- ~) v8 a0 u
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     
177.                     "Book_Synopsis":Book_Synopsis,
     . G& s, m7 t# D# P
178.                     "Book_Palabras":Book_Palabras,
     8 a8 n* p" q2 s7 V* L" o9 v; {
179.                     "img":img,
     
180.                 }
     8 k- G5 s  c' O% x
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():
     ) ~+ M! x' T& H, h+ Q
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     
185.     @config(age=8 * 60 * 60)   
     & K6 w2 l* Q: o) W% ]5 X
186.     def index_page(self, response):
     ( t& b' b# a+ R) @6 D$ g
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     
190.                    "Book_Introduction":response.save['Book_Introduction'],
     0 N+ k2 @6 J; ^# \5 C. M$ W, \$ G5 E
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     6 u8 I" S# P: K$ e
192.                    "Book_Palabras":response.save['Book_Palabras'],
     $ v: }! l5 P+ q) `- t9 D+ `
193.                    "img":response.save['img'],
     
194.                      }
     
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     0 w+ k* A; m6 [/ ?. N
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     8 D- b/ D8 d9 N5 H
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     8 y3 s" m! U* g& K6 U2 B' C
198.     @config(priority=2)
     : N% Q+ W7 a) h8 L5 a
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
       R5 @% D7 m# ?' U) R8 S" [
203.         NewRe3 = r'^\\n\\n'
     " E8 M: E6 h4 e/ ^5 l- k
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     2 U9 Q# v, [1 }$ e9 k/ C( ?
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     8 k/ S2 H: C1 d7 V
209.         ReC1 = u'静思'
     ( V  p# l& x' C; M2 ^9 F" P6 U4 p
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     $ g: ~$ q0 c* \1 B+ s9 ~
214.         ReC6 = r'<BR>'
     . j1 l0 ?7 l: {+ \
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     - s- b9 @/ B2 A
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     - v3 s& O# T# U  {# i; @
218.         Book_author = response.save['Book_author']   #小说作者
     7 i& z* _- y( w2 S, L( B
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     - K4 ]$ e& \6 ^: v
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     - o: c* x7 B; x1 U
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     ( q0 ?4 V4 t( _% q  i4 U
222.         Bookurl = response.url   #小说网址
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     - V' w3 y, h5 O" I
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     % A) o+ x6 m* u5 g$ k8 G
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)
     # u5 @7 x* O; H% W* O$ `3 D
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     ; Y" z: b' O, u
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     - R* N: J0 c" K8 t$ n) ^
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     # E1 l% L1 N' E, `% W
235.         BookConte = BookConte4.replace("\n\n","<br>")
     1 I* i5 I+ v6 v$ b# Y. y" u
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     * I( r( }. t$ G, Q  D: k8 a8 }  K
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     0 T0 J2 n+ ~9 @
242.         Book_img = response.save['img'],  #小说图片
     1 R( _# g  `( ]/ t: H" E
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
     7 `& ~% c; u2 J/ Z: Y; 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
     
247.         #post提交发布
     3 O( T9 V! s+ `: w
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'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     3 A+ P- U4 N2 D1 O
255.                    "img":response.save['img'],
     
256.                      }
     
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     - L+ y5 F+ C6 E, J, n4 g, r
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     ' `% N" {. r3 T5 f( G5 ]
259.         return {
     
260.             "Cater_Name":Cater_Name,
     + S# S  y: S& O$ H2 ?) Z5 T) t
261.             "Bookname":Bookname,
     ! R5 e+ T$ K) n6 b
262.             "Book_author":Book_author,
     0 j, f+ l+ d5 t& p
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     ) J; ?8 C+ L7 p; E
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     & v( A$ U7 V8 O- `% J: J, c1 [
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     1 ^  i, z4 G, x* g8 L( @
276.         if not os.path.exists(imgDir):
     . p& R* O$ b( J+ l- N
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     
280.         f = open(file, 'wb+')
     % E) X# |' `: O
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     
284.         #保存图片前
     / ]* V; `4 I: ]: U7 s4 G* z
285.     def save_imgs(self,response):
     8 K0 P% K3 t7 E$ O5 h3 t: M0 Q% B
286.         content = response.content
     6 K9 w& E7 `: o7 U
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     3 {6 {' x, Y: W$ E5 H
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     & ?( `- F* d! \, }
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     8 u% j' @9 F4 P# z
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     , X) y) \0 c. j, L
301.         return extension
     
302.    
     ' ]/ H' [7 c  L2 f1 ^1 ?6 G6 z
303.     #获取图片名
     
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

. v. x3 b! P: ]0 P4 Y" B  G