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！
0 A6 A; x2 H3 ]- H3 P2 R1 t

1. #!/usr/bin/env python
   ! l# P4 q& f; l0 F' [
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   ' C( t& g1 w6 a9 J9 ^7 X
4. # Project: XiaoShuo
   
5. 
   ; L% R- M) q- Y! r- E  s( O* g
6. from pyspider.libs.base_handler import *
   # s+ K4 z0 i  {' `! m8 s
7. import pymysql
   ) g% S: c3 |0 G3 |
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    0 B# Y' \( O( ~% o% z# D% L' U
11. import os
    
12. import sys
    : z" C, X) F% U' G8 w/ h
13. import re
    - _8 C; Z: ^9 M" q  _+ `
14. import codecs
    2 m3 X4 G& W/ T8 H9 H$ y) _
15. import requests
    " Z8 V) b: ]) Y/ e) C+ I" G* e
16. import json
    
17. 
    4 P8 w5 |. L6 n/ m
18. class Handler(BaseHandler):
    
19.     global Datos
    ) I) b2 t" e, R4 K# q
20.     global P_dir   
    , ~7 `# J& \, P$ o7 ]2 q6 \
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    : f: v: ?9 h' {3 B: b" Q! a1 b
22.     global Datos
    
23.     Datos = {}
    
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    " o  v8 f8 ?& q2 ~( z2 `
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    + m9 R# U- @: L9 `/ j/ w2 T! J
28.     'Cache-Control':'max-age=0',
    9 x  I* j& H  w& d
29.     'Connection':'keep-alive',
    ( P  E3 b2 v$ A2 W( {
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 = {
    + I$ g3 ]. E7 P/ a" \1 E  ~
33.         'headers' : headers,
    ' e# E0 f# d5 i& ?9 A) r' B2 z
34.         'timeout' : 300
    7 M: h' v( S- K- t+ u% l% `
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")
    
38.         try:
    
39.             cursor = db.cursor()
    1 _- r" L5 E8 a- M3 F, R
40.             #注意此处字符串的占位符要加双引号"%s"
    5 j5 W& X% d& x) W. B
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)
    . I# G5 b" c( b/ R5 r
44.             
    : b1 ]4 @& n8 K: A
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    % k  i; T. g/ S. f( j! L
48.             db.commit()
    $ o' X; V" Z- R5 p
49.         except Exception as err:
    1 `9 ?" I2 i0 y5 h# v2 O
50.             print("Error %s for execute sql: %s" % (err, sql))
    
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:
    , x3 `' o& }5 y# R
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);
    5 ~0 ]: Q! i! L4 u0 v) M
58. #            print(sql)
    
59.             cursor.execute(sql)
      A6 ?9 o3 D, `6 \( C% Q, `( m
60.             
    
61.             #qid = cursor.lastrowid
    * l' R- H- s3 w' i4 v8 k# f  d1 P# v. E
62.             #print(qid)
    0 V$ [6 K" R( w; j/ F9 H
63.             
    
64.             db.commit()
    6 K9 p* a9 u1 r6 A* s9 B
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    
67.             db.rollback()
    1 }" {. B- Q7 K) O' B
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")
    . r' _# p  h2 k7 a7 Z
70.         try:
    8 {: Q+ E: v- L% R' {4 v5 O8 F
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
    / c" @7 Y+ b5 x
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);
    - m& n4 F) o. C6 [( g" Y- I
74.             print(sql)
    
75.             cursor.execute(sql)
    : s0 x  o$ p$ ^+ U4 z- a
76.             print(cursor.lastrowid)
    9 A0 R8 ?4 |# m$ z. _; v
77.             db.commit()
    
78.         except Exception as err:
    
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    
83.         
    . ?, [  x3 U$ y) C( V* T3 ?
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    0 c$ c# d. o* C4 b
86.             sys.setdefaultencoding("gbk")
    # G8 s7 J2 z6 Y
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    / ?# {& }' z) w  |$ D& {/ I) F
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    
90.             'my_p':'密码',   #后台密码
    1 @( r% T+ m5 x4 l8 V8 r
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    & N; S2 ]0 v, y. `. ^9 G
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    " z4 U6 P+ f# R5 k2 y6 F5 y) l6 G
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    ' Q6 `- \& J7 |7 c. S; H" W
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    # b, Z0 u; |/ o7 `! R/ o! l
97.             'thumb':Book_img,
    1 f$ u" N9 p9 r' J  C6 D
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    ; n# u5 y0 q( U
99.             'abover':abover.encode('gbk', 'ignore')           
    8 U1 J9 c5 \' I& W7 J
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     : o- Z" E/ b4 J: p
103.             print res.content
     
104. #            print Dsd
     1 t0 T+ \$ j* w" s0 v' z5 d
105.             return res
     
106.    
     
107.     def __init__(self):
     . c  r$ {: m- k1 I7 ?
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     & b8 {% v6 m7 C4 D$ E3 y
114. 
     
115.     @every(minutes=8 * 60)
     8 d# d% b0 U4 j2 V0 _  a  l3 x
116.     def on_start(self):
     , N' m, @* a; K, O) S, S! H
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     : \7 H% Z" d% f+ r5 P- {
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
       l; T3 g/ G- }2 _7 M  l
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     ! {0 P* w  s- c* A1 e/ \: P( a
128.                     Cater_Name = '都市'
     9 v. b# w: K* \
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     . O0 e* x0 O# \
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     0 W1 j1 u) @6 N1 s, j' P2 a
134.                     Cater_Name = '游戏'
     1 s5 v& J* E' ?  t: b
135.                 print self.CaterId
     & o1 {1 {; Y- j9 }$ {( V* T
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     2 d" s5 Q$ X# T: {# g  y4 B
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     : C  H; E' L5 ^/ T
138.             self.page_num += 1
     
139.             
     * `9 [- v# r6 C$ n( N) O6 m( `
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     4 |/ d4 T. E+ M0 Q$ B+ L: q
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     / o" \' k8 e- J) k2 n
144.             
     
145.     def list_Caterg_detail(self, response):
     5 r* }: h/ H3 b/ p
146.         Cater_Name = response.save
     
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
       h- h* I' \& ?/ a
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     - F9 P  v& s) L! r0 x1 r$ e
154.         Book_Synopsis = response.doc('b').eq(1).text()
     % b: l  a1 \9 Q- Q
155. #        print Book_Synopsis
     ! h8 S! \6 E8 ~* H$ w$ s
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     5 P% e6 m6 T2 u0 o' h
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     0 X3 G4 Z" J- |( j; h2 B4 J2 p$ |
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     0 u3 @! a1 _: V" g) N, `) }
163.             print img
     / G- {$ \+ h8 e- U' h* D; T
164.                 #小说封面下载
     : C8 O" \3 g1 l  [
165.             extension = self.getExtension(img)
     5 {8 r* E4 V1 @& r0 N6 d
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     " q. y2 v) h. o
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
     % `0 `5 h6 ~3 c0 |
172.                 print('attachment url is ' + img)               #
     
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     9 s% x% z3 R, I! {/ N
176.                     "Book_Introduction":Book_Introduction,
     # [+ D" L- ]0 E$ G8 t
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     & R) f6 l( D; @; @# o
179.                     "img":img,
     
180.                 }
     5 B! Z. {- Q. t" ~; ?0 W, W) 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
     , p/ _# C, Y) K" T
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     * n# x' U5 E& ^, C  k
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     ) f# F) h5 L- ?8 o$ x& D$ C
184.             
     2 h( R. y  i+ a& T& w
185.     @config(age=8 * 60 * 60)   
     0 W( T& K+ N1 g1 z: K* ?
186.     def index_page(self, response):
     
187.         Datos = {
     , v* v  |  I' T( k$ N$ G  ^! U- s) s
188.                   "Cater_Name":response.save['Cater_Name'],
     9 \& v; f+ y0 U; ?  @
189.                    "Book_author":response.save['Book_author'],
     + B0 J: t  s. u
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
     6 T3 J$ t% g3 n! Y5 S
193.                    "img":response.save['img'],
     
194.                      }
     6 Y0 W( x; t5 u6 _
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     # Q* _; M# Z# F# {! c
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     % i) Y. j& _  R7 r- n8 D
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     , U, U& Z. _( G
198.     @config(priority=2)
     ; _4 `1 I" O7 ]% N) e0 {* W% w6 ~" S
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     , a( F( `. L1 {" [
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     ' o& J- N6 ]2 z3 U
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     * Q9 Q7 V2 @0 J$ `2 }
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     . ^7 D5 M  ?& [: E: k6 [$ U
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     # f" s& z- y/ R9 b* p& C* c0 d
209.         ReC1 = u'静思'
     2 P* I6 `1 H2 U; \
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     6 Y! T+ \% V% H( V% T6 X6 p8 V) d9 n
216.         print Bookname
     
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
       n6 I  v  }4 T* \0 e' k" C0 L
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
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     0 J8 j8 D/ \$ s( _+ o- r
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     ; r- K3 B( U# n  A7 [7 s4 Z$ m
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
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     ' K) U2 h7 X2 G( j2 o: ]
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     ! A/ ^6 p, K3 d; J" Z4 N; x! S
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     & a( N% ^: q  a" E$ G7 x
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     # _: L2 z) X* ?, m( r: `% _
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
     
243.             
     : A; k5 j8 |) x2 p( ?: }) {9 |
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
     
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
     
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
     " p- [- S, ?5 c! _+ {( j
249.         Datos = {
     % M$ N9 c0 C. D  g
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     , r' G/ U# j( v/ K7 v
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     8 T) z( Z* H9 Z! h1 o, t* P- U
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)
     * P# M0 t" ^0 ^: i* B3 e
259.         return {
     " T$ C& v. }: a' s( v2 R( |- q
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     * e: {4 L1 ]. C3 t
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     4 j" x4 N. ?' b* c$ M) J, Q
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     - C9 F, Q# h4 A" q! x
269.             "BookID": BookID,
     2 Z' i' R6 r" @/ t* M: v. U9 [
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     : q  H$ Y5 ]; O6 K) X
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
     . W# r5 h7 p5 E. S# }
279. #        print file
     
280.         f = open(file, 'wb+')
     1 Q) C$ m, I- j3 m3 W* y  O
281.         imag = requests.get(Book_img)
     9 ^# {" T% |: Z# e
282.         f.write(imag.content)
     
283.         f.close()
     9 Y- U5 e& @, ~9 O  S9 G
284.         #保存图片前
     : b5 U. k& i/ a) }0 w2 X9 e( ~
285.     def save_imgs(self,response):
     
286.         content = response.content
     6 g0 {5 Z6 N! R+ P: x& T- ^
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     4 F3 C4 v- o# ^0 e, a$ L
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     4 V$ D" x" P- v
293.         if not os.path.exists(imgDir):                        
     ; x* x; ]! y' j9 y- \! H
294.             os.makedirs(imgDir)
     0 J; A* t2 k  Z" A$ |0 {
295.         f = open(path,"wb" )
     / S# ^2 C" e1 r4 q1 N( J
296.         f.write(content)
     
297.         f.close()
     9 T2 d  ~+ z, S: ~" H0 v1 ~0 w
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     " {. F7 t: ]$ ^$ G
303.     #获取图片名
     # M8 e$ e+ g- i7 [' Y' _: w) H1 v
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     7 C0 h+ q& t, N$ [) n2 O( u
306.         return name

复制代码

% q5 s  X/ {1 z$ H/ F( @

# g0 f* R% N& ~/ q4 o+ i  }2 o; |* Y