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！
2 `/ ^' N- C/ A7 S

1. #!/usr/bin/env python
   3 `+ ?' X$ E$ c3 c+ e; a
2. # -*- encoding: utf-8 -*-
   $ i$ v0 H) v  Y% j
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   ! f, a9 @) W' f. c1 A5 L
5. 
   
6. from pyspider.libs.base_handler import *
   6 C% y9 k3 c' W7 S3 r2 h
7. import pymysql
   : H2 i+ m" J" H8 @1 f7 D
8. import random
   , C2 R/ d+ A1 i
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    
13. import re
    5 |# ?- C! {; B8 @4 E3 E9 f
14. import codecs
    0 f2 C: L" h2 a6 ^! q
15. import requests
    & f# Q0 o5 D2 h: ~* o
16. import json
    " [6 K6 Y4 ?3 i. l; R) G2 z
17. 
    * r1 i& w. m( ]: x  \, f! ?' y, t
18. class Handler(BaseHandler):
    * @8 a( D1 S$ z/ f: V7 P! g
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
    
23.     Datos = {}
    
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    : T. Y: w7 ^" J& {
26.     'Accept-Encoding':'gzip, deflate, sdch',
    2 X/ B* X5 ^9 @$ q  @6 d, K
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    ) E2 l+ C& I$ r: R, U5 K
29.     'Connection':'keep-alive',
    & L: R- N- }# l3 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 = {
    
33.         'headers' : headers,
    # l8 D/ s% y: O# m. r* v9 B
34.         'timeout' : 300
    ! s- I; S% j1 k" H
35.     }
    3 F1 J9 g& j9 g* W( V
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    0 Y8 L, h& j+ K1 k. X
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:
    + G& X' \( {; Y: m+ y( l
39.             cursor = db.cursor()
    ) e- F7 f; D; D: R& \0 ?8 s: g; V- q
40.             #注意此处字符串的占位符要加双引号"%s"
      U- J4 D6 |; S% a+ B& d1 x6 y! o: C% d
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)
    8 P- O% W$ D4 P! e( ]/ S+ c; W* e
44.             
    ) o6 q: H8 V" j/ C" N
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    0 `3 v+ v! V* i% ?) K- Q
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    % J3 x" G# p5 X0 Y; x6 S
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:
    % F; ]2 s6 m* v" Z
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);
    
58. #            print(sql)
    4 W6 l1 F7 k8 r3 H: H6 M
59.             cursor.execute(sql)
    # B- B: }! F+ g, W9 ]) n
60.             
    * `, [9 [* K0 W5 G, C! U  }
61.             #qid = cursor.lastrowid
    * S! B/ g6 H! s% M
62.             #print(qid)
    
63.             
    9 j# k5 Y- M) z
64.             db.commit()
    . q% T2 L! D- {% v
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    
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):
    . A- K( a* Y6 k) J8 C! Z( P4 h& O5 G
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:
    ; N# H, s6 h0 e; y8 K
71.             cursor = db.cursor()
    
72.             #注意此处字符串的占位符要加双引号"%s"
    1 X: k1 D; _3 D
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)
    8 ~' r) ^8 G8 d! `& B" e
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    ' K  p- G, I! |( a
79. #        except:
    
80. #            print('Failed')
    3 _4 D7 A1 K3 D8 }
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    . C8 G* w0 F  B; [; w5 I4 H" b
83.         
    
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    2 z% F' V0 q, B; @( U% i
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    . b5 E! }* J# o; j% m
88.             locoy_data = {
    + L1 K+ L/ ?6 C5 n
89.             'my_u':'用户名',   #后台用户名
    / C+ B2 L1 c% R4 C
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    , N; [& X, [4 J( Y
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    - B* M5 L/ B) P
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     ! u1 H, l6 D: T, I) C& E, K5 P
101.             res = requests.post(locoy_url, data=locoy_data)
     ; e) ]1 B* {% C2 \7 t0 ^9 @  D6 w
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
       T' z, S3 |1 I1 z* x- Y
105.             return res
     
106.    
     ; a# |- O  N3 G6 ?
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     1 c6 @/ u/ ~4 {9 |; T) @
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     ! U  l: X6 d; p( ~
114. 
     
115.     @every(minutes=8 * 60)
     " T0 v, J# t9 A( n# T9 o
116.     def on_start(self):
     8 m& b( l" I9 r9 n
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     0 E3 W# L' l& T2 s
120.             for self.CaterId in self.CaterIds:
     + K9 m2 g+ @  h! c) M- l) q. ^
121.                 if self.CaterId  == 'xuanhuan':
     ; Z" D1 ]$ V: Y. t
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     * J& L. J4 q' g" E- d
124.                     Cater_Name = '武侠'
     4 {/ f* u, v& ^! w) _
125.                 if self.CaterId  == 'lishi':
     # r  O; G5 V# f" o) K7 H) j/ D
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     1 M9 I% `8 M/ P( S
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     1 M2 X, P. m. f) ]7 M, ^
130.                     Cater_Name = '都市'
     9 g9 A! C# {. o$ ?; o! g8 J9 r
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     4 |: F3 v$ E9 J. \: ?- D! y  ^7 e
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     " N- S1 g0 ?, h9 b
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     * Z. [, W; n; C5 o
139.             
     2 {/ o/ e  }2 g) L
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     : |, N9 |# R5 }' z) k
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
       P; G- ?- m( y- g2 F0 ]
144.             
     ; W; b8 r9 z; O, Z9 G) w
145.     def list_Caterg_detail(self, response):
     ( B% i, t8 m# K
146.         Cater_Name = response.save
     6 W$ F. g; g2 ~2 K. F, g( J8 L
147. #        print Cater_Name
     / s7 h* h% M8 d0 t
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     : ]; G5 X/ `8 t& ]2 v
153. #        print Book_Introduction
     / Q7 f! M1 O( k/ n& I
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
     ( `$ A# S8 Q4 t5 S7 n7 a
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
       D& |/ \: A! Y# f
160.         Book_Dates = str(datetime.datetime.now())         
     " K1 ^& i; y& _4 E+ g
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     4 c0 p3 ~% w* m& }
162.             img = imgs.attr.src
     ) ?3 _, s: [4 [8 M; X8 D
163.             print img
     
164.                 #小说封面下载
     5 ?+ I% Q+ y1 R
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     5 O# P; e# }7 J
167.             file_name = name + "." + extension
     9 h# E' q% i* K  V  y. g' W
168.             imgDir = P_dir + name
     7 r( f+ ?  [% Y1 F
169.             Locaimg = imgDir + "/" + file_name
     : C: S/ U2 E9 o. f
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
     ' Z( u2 }* U" a1 X
172.                 print('attachment url is ' + img)               #
     9 `* m" ~, Y- Y, F6 P) T! `2 Y
173.             Datos = {
     % ~( k. y0 O8 J+ q" N
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     , e3 R; n7 Q+ ]0 W2 S
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
       _5 n7 i( T5 `3 q1 C
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
     ' v! ]2 f) X- @7 N
182.         for each in response.doc('div[class="bookbtn-txt"]  a[class="catalogbtn"]').items():
     
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     9 r: o8 r& x0 P' j
184.             
     & N( i! D+ n0 N! [2 `  c
185.     @config(age=8 * 60 * 60)   
     3 ~6 A$ w( F( x4 |& a! v
186.     def index_page(self, response):
     6 |/ |# _" B) m. _
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     2 J- p! W6 @0 F
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     " a# _. \/ l" t6 `9 l4 |3 q: G$ O
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     . F* G, q/ j. |
194.                      }
     2 }' R5 h2 [. f! g5 `) G
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     8 a7 V4 R+ T8 K; i. {5 O/ {
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     . }( W7 |' l; g$ |! h- ?
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     % i3 j. W3 U6 [2 e- ]* |* H- J0 ~2 j
198.     @config(priority=2)
     
199.     @catch_status_code_error
     0 s( {% L. l( B  ^& @. |& \( C
200.     def detail_page(self, response):        
     ( f; L, `3 I# q: b9 q" t
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     , [) Q% L0 ?. S
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     , S9 Y# ^' {! o& s+ Y+ n+ f" L
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     / h" W* {* ^! f: C/ T+ l1 O- b
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     8 D7 f  D/ d0 l9 H  U; w6 b
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     . m- f- G- G+ ?$ C3 r3 E, \8 e4 C( n
214.         ReC6 = r'<BR>'
     & i3 p( q3 `  X0 W
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     6 a! Z5 H7 O, X+ \5 o
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     
218.         Book_author = response.save['Book_author']   #小说作者
     
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     $ H7 V) u2 L9 r# `% w
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     : M% B+ [9 A7 @% b8 I; g
222.         Bookurl = response.url   #小说网址
     
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     ( k! `& Q. Q/ B& L. {" E. X$ E8 H
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     - K3 `# y! o' C0 a$ a, A
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
     0 \0 g9 W; v& w* l/ {# M  R" B
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     7 r. D7 I" Y, G- s2 A
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     . |0 d' V3 X# `- V3 z# g
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     : ]/ R. V* B- d2 L* z. f
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     . p, V& t7 ]* R2 s4 w
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     7 V8 n/ W! O/ S9 F7 `
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)
     : p9 J# {; L  k
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     
242.         Book_img = response.save['img'],  #小说图片
     ) \! C1 f7 y! x7 H9 |& {
243.             
       L! p) q% M8 c
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
     : ^  Q1 k6 @$ D- [* {) E, \" L
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
     3 R" z) M# V. t* q
247.         #post提交发布
     " P0 v5 v/ c+ k
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'],
     4 A  |. V, L1 d* a( g
252.                    "Book_Introduction":response.save['Book_Introduction'],
     7 b# A$ A: u/ y  x# y: ]/ W5 |7 ]' Z
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     " H, M2 C. V9 z) ^' r
256.                      }
     ; D7 o  n& L+ S" ]
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
       L* {! u7 h8 T$ g
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     # ~7 e+ t3 C& W2 J+ r& Y
259.         return {
     / ?' a$ e3 S. T9 G
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     8 P- f9 a% U6 x1 c
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     ' v$ j4 ?+ p1 l. ]# _  J
265.             "Book_Palabras":Book_Palabras,
     - m  v+ z& C+ Q8 a
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     ; s) }2 w  V! E2 j+ K5 y+ B
268.             "Booktitle": Booktitle,
     " p* b% V7 v) X1 ]6 |/ A
269.             "BookID": BookID,
     ' c3 L6 U4 r$ E8 A: y) J) k
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     % [9 w6 ?( a$ O  ?
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     " ?( U/ l8 ~* v. ]& B- c1 ?
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     , Y. j; Z' N- [; h- _: D
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     , m0 d; ]! t; K
279. #        print file
     
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     ( x, s  C* t$ k  E( r
283.         f.close()
     
284.         #保存图片前
     , `0 N8 S" q* u( u# s
285.     def save_imgs(self,response):
     
286.         content = response.content
     
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     4 K' t; o2 G, i) B8 [
289.         file_path = imgDir + file_name
     2 g0 h( u, a# e3 m$ L" Y
290.         self.save_img(content,imgDir,file_path)
     / x9 ~$ {2 U. C1 b3 Y" t
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     6 L- p, r1 j5 A3 D( g( @: {& x: o
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     % b% Q0 Z, k& \1 \6 E/ T
298.     #获取url后缀名
     ) [0 x0 B' H$ b6 x; ]: b* L. y
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     , |* N  H/ ?* U9 y6 f
301.         return extension
     
302.    
     9 b4 n) g" k7 F3 i
303.     #获取图片名
     : C" S5 U7 h1 ]- c) w
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

4 T; w+ M, N( b' v. d( P