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！
# L# Z: j$ c, m8 [5 P1 l4 @' |

1. #!/usr/bin/env python
   1 b8 s% Z0 k5 P2 @# x
2. # -*- encoding: utf-8 -*-
   % i+ K- ~: M% j% P* V. v0 p# r% Y
3. # Created on 2019-05-05 21:43:11
   : O/ B0 a3 `* [  B+ W% y
4. # Project: XiaoShuo
   # S  ]6 y* X9 K- D9 t0 u, n
5. 
   % U3 n' Z/ j& d
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   3 l( ]: }9 I7 x# d! {; L4 ~
8. import random
   * J$ [- J' g( ?' f6 M
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    2 J0 Z" F% {; w# O* `: r
12. import sys
    2 p' b+ ~: L3 I8 T# ^1 n- s% M4 c
13. import re
    
14. import codecs
    
15. import requests
    2 M4 ^, B, o3 e2 K7 ^3 e; I
16. import json
    
17. 
    
18. class Handler(BaseHandler):
    , a. k; m, {" U5 V! T2 S
19.     global Datos
    
20.     global P_dir   
    , |1 E" c9 X7 [+ D4 W2 p
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    
22.     global Datos
    
23.     Datos = {}
    0 U; |( h! @* `) p
24.     headers= {
    2 k* ?4 E3 _1 F3 z# g) o6 t  m
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    
26.     'Accept-Encoding':'gzip, deflate, sdch',
    ! Y: i: }& ]( \
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    
29.     'Connection':'keep-alive',
    8 T) \  n7 L* }# q
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'
    ; w, U8 y" F6 |8 D
31.     }
    
32.     crawl_config = {
    
33.         'headers' : headers,
    
34.         'timeout' : 300
    
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    7 V" {& z: ?$ C- L8 `4 u
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    - e( m6 N" r0 ~; a8 t" q
38.         try:
    ' G/ L6 m+ k9 E
39.             cursor = db.cursor()
    3 ?6 ]. _# @2 }/ F  n. f; P+ L9 E- p
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);
    0 q: z2 F0 N* O- {9 \
42. #            print(sql)
    
43.             cursor.execute(sql)
    $ ?) T3 Z1 L9 |# ]+ O
44.             
    
45.             #qid = cursor.lastrowid
      W) R5 z- Z- z9 ~) ?8 B2 ^
46.             #print(qid)
    - U: h$ S4 ~( w5 w( ]
47.             
    ( A' U5 k- Q2 v/ n
48.             db.commit()
    : H$ Q4 n) @7 c, ?' S' @
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    ( d8 e. x5 f5 h) ~1 H
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    9 i3 Y1 H, `& Z, R' J
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"
    ! k' O( k6 U5 d- j
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    / D7 i6 w' R! i% M( U
58. #            print(sql)
    
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    8 C* `6 t! G7 R* S
62.             #print(qid)
    
63.             
    " w# g- t" M) m, y- V" L
64.             db.commit()
    
65.         except Exception as err:
    ) Q6 Z4 A& l- o$ i5 ^' |! I# i
66.             print("Error %s for execute sql: %s" % (err, sql))
    
67.             db.rollback()
      p5 F1 X0 C! V
68.     def add_question(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date):
    % f7 n! r, E0 }- w3 z0 F5 J; |
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    ; B% u7 D8 S" g% f
70.         try:
    
71.             cursor = db.cursor()
    # k  s4 i6 r) |4 K# M& m
72.             #注意此处字符串的占位符要加双引号"%s"
    , i' v( S. K) \
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)
    
75.             cursor.execute(sql)
    9 m& Q$ @! c2 w  V, s
76.             print(cursor.lastrowid)
    - w7 V9 s7 o* W- n
77.             db.commit()
    & \9 C: m1 D0 a+ i5 e7 t  z$ i: u
78.         except Exception as err:
    5 e2 v5 ~/ Q$ Z+ `* P: ^
79. #        except:
    6 h5 x8 i; Q2 }# w: _
80. #            print('Failed')
    ; O7 M8 O& `; X& {
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):
    
85.             reload(sys)
    $ s5 \# Z' o( k/ M9 D
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 = {
    
89.             'my_u':'用户名',   #后台用户名
    6 \  }5 Y9 Z* ^! F, ^
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    " v* z- T% j3 m5 S& n
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    " H! I5 }& D' W4 M* M/ X5 r1 D
97.             'thumb':Book_img,
    , ^, C( P; o& s* A
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     2 [; o" p8 [5 s' G
101.             res = requests.post(locoy_url, data=locoy_data)
     5 s) g! W2 z5 t9 S' p( Z3 ^) l
102.             print res.text
     4 J1 _7 [" ?  O6 n. V- L
103.             print res.content
     , p! e7 e; b. C( j& s  N
104. #            print Dsd
     
105.             return res
     
106.    
       I8 }3 \5 K0 J+ W! V
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     1 p& k$ m7 R! w$ z
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     0 z$ T6 X$ {( x2 t: I8 `9 c; w
112.         self.page_num = 1
     ' N. K' q* n) o7 h. l- \" [% X! f
113.         self.total_num = 200   
     2 g$ W( Y1 I& s$ f
114. 
     
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     : C& {  |! L8 V+ M# M7 z0 \
117.         global Cater_Name
     3 K" ~6 O. c% A% S( j. l
118.         Cater_Name = []
     " s6 u% K0 e& Z" {' I) _
119.         while self.page_num <= self.total_num:
     " B" d7 U3 e2 ]& H
120.             for self.CaterId in self.CaterIds:
     " V- i4 K) d0 F) O- m
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     . q2 {" m! w" Y1 d8 C) d7 E/ e
124.                     Cater_Name = '武侠'
     5 J1 H* n: t, q/ t1 R! w' S& O
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     ) x! G; k- x+ Q( Y( q' f0 X- b
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     ( {. |0 }# i! z
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     + @# K* U( }( }# b7 ]0 t' x1 e
131.                 if self.CaterId  == 'kehuan':
     1 R; t4 d$ b8 ]3 @
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     5 F% b  `8 q2 W0 |3 n6 \
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     $ k  X( l# @& v
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     7 z4 J; b/ o5 {+ L8 i, \& C: c! ^, Y
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     
139.             
     
140.     def list_Caterg(self, response):
     1 G/ [! D% P0 b
141.         Cater_Name = response.save
     6 @" {' _# R) V$ o5 v
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     9 w* b% f' r& I# e7 e, Z
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     ; [) w9 M1 A5 ^2 c1 r
144.             
     
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     + k  M% m9 d. @3 P4 ?
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     & V: h6 V9 D2 G  g  I
151. #        print Book_author
       k2 K+ t5 [/ n/ v2 T
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     + V% X. z- j' E) a
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     . Q. u6 ?& B5 V/ n
157. #        print Book_Palabras
     & b" A9 `, D( |# H) g; c
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     4 J6 w& L; R/ `0 V
159. #        print BookIDs
     ) h/ z% g' K8 ^: I7 G3 d( V) s  q
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     : K- P7 a+ v/ `" `7 N5 K' d& e
162.             img = imgs.attr.src
     
163.             print img
     
164.                 #小说封面下载
     6 Z" q8 e( ~, l
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     ) {6 u- _/ s& q9 c0 C4 n: G
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     ; k' S* c8 [3 `- C! |) O' ^
170.             print Locaimg
     & E( b$ e0 {4 L6 T* `
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)               #
     ! {  F5 {/ c/ x- a
173.             Datos = {
     6 l$ e. s) e& W$ s; c
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     % T! x& t, m+ F8 ^6 r. e+ x) f
177.                     "Book_Synopsis":Book_Synopsis,
     * u: D4 N0 W4 z2 G) Y! T* f( K
178.                     "Book_Palabras":Book_Palabras,
     % e/ h8 [; k2 b0 {; ~: d
179.                     "img":img,
     % e9 R8 g1 j8 b# x. I- g3 g8 Q
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
     
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     + W% M/ x$ ~) P% u, E8 q
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
       J1 y3 V' x5 ?( m8 B# J
184.             
     & l- T6 b& o& B. ^& c
185.     @config(age=8 * 60 * 60)   
     ) d% E( E7 S8 w2 f+ g& P+ ~- @5 m0 V! e
186.     def index_page(self, response):
     * h9 d  L; h6 {# j6 S
187.         Datos = {
     ( r. p4 j# }2 ~- B
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     4 Y9 F8 `2 e! s+ Y
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     0 _4 h8 r4 y$ Q. F2 T- o7 @" @' k' x
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     5 J" T4 x  h6 X2 H, I$ Y
194.                      }
     4 b2 A# P9 Y/ ?5 i& K4 s) m
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     ) L2 t4 K- g3 c
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):        
     , B3 R" N7 X, c6 e
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     , h/ v! Q- Q& B' g6 t
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     0 V/ }% w2 k" V- U0 s: n
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     6 F! |  N) S& o' ]& d3 Y
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'
     . ^1 f) `2 ?+ n" }$ w* Z
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     $ \# x! F3 Z4 R
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     . e4 }( E7 O6 @' O0 I
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     - |& A+ |1 B; [; w$ D
218.         Book_author = response.save['Book_author']   #小说作者
     , U6 H+ ^+ d- ]* e' t; |' o4 C
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     7 _" O9 U6 C+ s( D9 _( S% J0 T9 ^/ d
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
     
225.         BookConte1 = response.doc('.article-con').text()   #小说章节内容
     3 J# U' Q' p, ?% p$ ~  g
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
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     & v0 I3 J/ h4 x
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     7 D# o4 R. V* y4 q, r, X4 X. J2 x
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>")
     
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     ; |* J+ T- j$ P; l9 x' l
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)
     ) X: A5 D+ Q. B$ o5 l0 X
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     
242.         Book_img = response.save['img'],  #小说图片
     % q/ G1 @1 ?1 d& S; a1 v
243.             
     2 E( l4 B. Y0 o* I! z* b
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
     * B, L0 N: n% P8 u! X
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
     0 l' x6 u  T+ U) r1 k& x
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 = {
       N$ z, a) }# S# z
250.                   "Cater_Name":response.save['Cater_Name'],
     ' N7 M, I; o$ |4 C
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'],
     ; T# c% \5 H: o: X
255.                    "img":response.save['img'],
     
256.                      }
     
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     5 J0 [  Y8 n0 u5 E
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
       }1 `- \# W2 X9 G: P; f
259.         return {
     3 g, p- ^! V$ i; a4 k1 W
260.             "Cater_Name":Cater_Name,
     + W, O* w0 q: G* t0 o- s
261.             "Bookname":Bookname,
     / e5 Y2 Y4 m4 \
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,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     # F& ^4 ~/ _; I8 c/ X1 I
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):
     
277.             os.makedirs(imgDir)
     ! U! O$ K9 @+ B. T
278.         file = imgDir + "/" + file_name
     # L, b' o+ w: b) }) m: q
279. #        print file
     
280.         f = open(file, 'wb+')
     ; U9 o( ^5 r4 U* g
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
     
286.         content = response.content
     
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     % `# K) q0 ?, u1 C$ y1 j: }
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     * O+ u5 D$ ~" N6 P2 N+ y
291.     #保存图片
     ! s9 ]2 N  `+ |; y2 j3 p, z
292.     def save_img(self,content,imgDir,path):
     6 c- l2 a( A9 i2 ^- g+ ~+ A
293.         if not os.path.exists(imgDir):                        
     4 x4 W- Q8 G; Q0 b, L- q& K7 P
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     
296.         f.write(content)
     + t( R8 f% s8 s' p, I
297.         f.close()
     % c$ l) B* M8 z% s
298.     #获取url后缀名
     , ~  |  q, b3 p! X
299.     def getExtension(self,url):                           
     / A' i. H1 C) b5 T  |
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     " |, N% ^- C7 {' l; P3 ^
303.     #获取图片名
     
304.     def getname(self,url):
     ) |$ R7 \; x! a
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

  @& n- g" B( i8 Z/ n! r