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！
9 Z  m+ R* v  e6 B$ E4 E: F1 K

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   % {# I! b3 e, l0 }7 p
4. # Project: XiaoShuo
   
5. 
   ( N  u0 c2 ]/ R  n3 q) a
6. from pyspider.libs.base_handler import *
   ; `+ t( D! Y8 w+ Q+ @6 |! f3 Y
7. import pymysql
   
8. import random
   0 b* g  }8 r1 n
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    , T3 V  B+ U! a  ^. a
12. import sys
    
13. import re
      U$ x& |# [0 {8 c; o" u
14. import codecs
    5 }1 O' o2 H- S! x/ }; C
15. import requests
    
16. import json
    6 m1 b8 D! n5 }' _
17. 
    : \$ a$ p5 U0 a
18. class Handler(BaseHandler):
    
19.     global Datos
    
20.     global P_dir   
    ; J- y' J( j- {8 {
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    
22.     global Datos
    
23.     Datos = {}
    9 R$ t  i& ^& k0 I. f" u
24.     headers= {
    8 f- [$ [6 X9 K+ T! d) O/ e4 z* F
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    4 e' P# B6 L3 v. o/ N0 \' z
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    + |+ s/ I7 E( X; t; V
28.     'Cache-Control':'max-age=0',
    
29.     'Connection':'keep-alive',
      R& F9 M# h6 B3 t$ T; a( T
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.     }
    / E5 t. I  q2 V0 a$ ?. d3 b
32.     crawl_config = {
    
33.         'headers' : headers,
    
34.         'timeout' : 300
    
35.     }
    " A9 [5 f' Q& L' J: Q/ ~
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    8 g# R+ v) n: c$ @" j( F
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:
    - S9 r$ d0 j# h( I7 a
39.             cursor = db.cursor()
    
40.             #注意此处字符串的占位符要加双引号"%s"
    * }. b! p0 ]/ l6 }; U
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)
    3 N! T" R! L1 a) o; g1 j
43.             cursor.execute(sql)
    
44.             
    & O/ `! u: i1 Q9 z8 X
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    9 N" D! Y# v4 H' f' y4 z% w  Y
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    8 x$ g; C, ^, G% @2 v
50.             print("Error %s for execute sql: %s" % (err, sql))
    6 w$ h" ?* A+ ^/ n' m: O
51.             db.rollback()
    . c( B* h& h& J7 j
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:
    + F. q+ `3 F, n$ ^) R2 z
55.             cursor = db.cursor()
    + ]$ n; ^/ r# [
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)
    2 _8 [: U" {  N- S9 O
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    ; S  m8 l! U& [$ V4 x# n
63.             
    
64.             db.commit()
    ! Q: ]' G1 Q7 N: z! I/ |
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    ; R$ d" X( ]0 k/ ^* d" w* B
67.             db.rollback()
    + E1 X0 E+ h: M6 p4 A7 y9 U
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:
    
71.             cursor = db.cursor()
    6 }  _( A+ T' S' @3 I* _
72.             #注意此处字符串的占位符要加双引号"%s"
    7 h9 k2 }' ~3 x" E, K3 ^
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);
    % l& n3 I8 S$ w, e, p
74.             print(sql)
    / L+ ]+ ^5 p& g# J& r/ x, m
75.             cursor.execute(sql)
    / t8 t$ \7 S! O5 C: N
76.             print(cursor.lastrowid)
    # h2 S. E) K8 g
77.             db.commit()
    . h. {* r- F9 L
78.         except Exception as err:
    . ?9 X) q- `, S2 I
79. #        except:
    . A' b1 c2 X- ^
80. #            print('Failed')
    - B! h3 r  @% m! l( w) x. R# r/ R
81.             print("Error %s for execute sql: %s" % (err, sql))
    : a0 L0 S2 ?4 }4 r; Y6 Q
82.             db.rollback()
    + X4 m$ T- ^  d2 }
83.         
    . o8 d, i! |, ^) z# d+ Q
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    ( c- Z( a7 `0 u7 h" V0 Y8 F
85.             reload(sys)
    
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
    
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    1 J0 Z. e( a  V7 ?9 U5 m4 b
95.             'author':Book_author.encode('gbk', 'ignore'),
    " u( j8 B; f! A* v$ t9 S$ {
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    # X( i: w% D/ |4 X* p
97.             'thumb':Book_img,
    8 F& W" Q- k* @# {; O3 \, N6 a
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    6 W) u6 }0 A" i1 x1 q6 U/ \$ t4 A
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     ' B2 ^" j) t% W6 d9 C& O+ f6 N
101.             res = requests.post(locoy_url, data=locoy_data)
     2 A" r' c5 K4 @3 @' @
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
     % {$ B1 e2 {1 D$ ~; d
105.             return res
     0 M8 R1 Z, W6 W' P: `/ d
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     # w8 Q8 k  e5 L9 ~8 b
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     4 W1 j) H! M$ o
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     % F/ m4 f2 e6 y% w) g' D# [
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     # p7 z' j2 h9 Y4 U: u3 ~' N
115.     @every(minutes=8 * 60)
     * ^* q, n) G  C7 C9 P  V
116.     def on_start(self):
     ( U6 P* Y! i. m9 ?5 Z
117.         global Cater_Name
     
118.         Cater_Name = []
     # t/ d4 T  d5 c2 b9 ]$ A* N/ O/ v; O
119.         while self.page_num <= self.total_num:
     % R7 l$ m: Y. |
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     / y1 B) b) j4 d# R; c1 V
122.                      Cater_Name = '玄幻'
     9 f3 t! ^# o0 j% A( ?) [2 c  `5 a
123.                 if self.CaterId  == 'wuxia':
     4 ~: K/ O: l$ o1 c* w, U' p- ?! w( E/ s
124.                     Cater_Name = '武侠'
     - p& u% ~. \- ^3 h+ G  o
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     2 g, z2 V0 Z8 A7 Y% p
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     % P4 v) M/ F2 I
132.                     Cater_Name = '科幻'
     1 m2 \1 j, G' a. a* M
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) + "/"         
     $ u4 L/ P0 E; Y7 q: G; K! Y# k
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     6 H/ |9 P! k$ K( l+ z5 {
138.             self.page_num += 1
     / W, W4 Y, @  Z3 ^1 t4 S0 d" r
139.             
     , g+ O7 p  e) R7 A4 p
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     ) I* h0 k; n( U8 b9 l
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     + y" s: S8 K+ v/ F6 J3 ]
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     1 O1 U0 C, \8 L1 ^5 Q/ h
149.         print Bookname
     . u* w9 E; E$ _3 y. c) \8 f
150.         Book_author = response.doc('.authorname > a').text()
     ( d6 Y5 I1 ^3 \+ X% _
151. #        print Book_author
     , H! P- u# Y* s1 J" k7 U( w
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     , D6 N1 |+ ~" E) S: s4 l5 M
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
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     
159. #        print BookIDs
     9 h0 l) l5 i3 V) d0 N3 {
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     ! \' }  L+ l0 y' N% C* N' i; X
162.             img = imgs.attr.src
     5 S' _% {) u- h+ H
163.             print img
       d& z- l$ W$ }( R/ F
164.                 #小说封面下载
     & Z4 b& d0 n5 S/ L9 _; G
165.             extension = self.getExtension(img)
     
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
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
     
172.                 print('attachment url is ' + img)               #
     & Y" l- D5 @- J7 W! R: z
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     ) X; W2 @5 j1 P& Z, a6 o
176.                     "Book_Introduction":Book_Introduction,
     2 |# @- K; b* {& k3 i0 n6 M( {6 M
177.                     "Book_Synopsis":Book_Synopsis,
     1 \1 k% ^$ F. s2 j0 x$ a
178.                     "Book_Palabras":Book_Palabras,
     " u8 L2 I5 f; X5 ^1 P
179.                     "img":img,
     
180.                 }
     - d; l! T7 l- j2 E6 M: M6 h
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():
     
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     
184.             
     
185.     @config(age=8 * 60 * 60)   
     1 D2 ~/ ^* z$ K+ N5 _
186.     def index_page(self, response):
     
187.         Datos = {
     8 ~' W0 h; L. U# z/ W
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     7 _/ P8 p& q! e
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ; w$ r& D+ D+ j7 t) _- A7 X
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     
194.                      }
     
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     
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):        
     
201.         NewRe1 = u'哈书'
     + ]7 g! B, \( i2 Y4 \
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     $ q/ y! q0 \% O6 u4 U8 W
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     ) h' U4 @7 u, ~/ f
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     2 Z$ b$ s* z# N6 v" F/ W  S  ?4 J5 w
214.         ReC6 = r'<BR>'
     6 f+ O, R5 o- U; J: I. l0 J. S0 T
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     
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
     
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
     , x* G; L- s3 B2 e1 _; V$ [# e* p
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     8 p$ ?# U$ V' U1 Z( b& `4 G
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     8 n6 N) T/ n2 y% k, r# w- ]
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)
     ; @- e) `6 w0 i8 W4 Y& i3 w
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     ' W1 z% k7 L7 {5 q7 y+ y
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     2 J0 x: b  Y- A
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     ( m  U$ B7 _; E3 b* Q- i* L: E; C
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     9 |( |# K" l! N( O( w# T9 C
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
       I; a  z* A7 o/ V# T
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     9 }9 N* A2 k6 u. a6 B# f
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     0 c8 T, Z* z& g2 W
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     $ ^+ z! X- ?3 v
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     
242.         Book_img = response.save['img'],  #小说图片
     
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
     
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
     # a9 _8 }; `" Q, Y$ L8 u6 s
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
     ( ]3 B% E4 V  U: M7 U  N
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'],
     3 T# g0 D) K4 q: u
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     # F/ c# y; ]. N' u6 }/ Z( ?+ O
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)
     
259.         return {
     0 R  T3 A; q/ D1 f) f6 x! j/ j
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     4 ], C# b  p* ^/ D/ `
262.             "Book_author":Book_author,
     $ I4 F' n/ M1 r1 c
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     $ o# g4 H1 d4 c* J# h# X
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     9 `0 S3 e( X5 O9 i( W
272.             "abover":abover,
     3 K$ t6 M: ]8 N; @, r6 k
273. #            "Book_Date" = str(datetime.datetime.now()),
     6 o3 a) d: L: h% |8 J
274.         }
     5 H1 R! Z8 M: P9 g- S
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     0 W: Z2 D  L& Q
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     1 r4 d1 r& l! }" g. L: j  q. Q
280.         f = open(file, 'wb+')
     ; ^0 b1 X# N: \8 K- D! U; S5 T
281.         imag = requests.get(Book_img)
     1 z# ], q, ^' ]0 G
282.         f.write(imag.content)
     5 z5 b# q! p. M/ J+ D  W
283.         f.close()
     $ i" F; L* y8 d9 |, T" B9 |
284.         #保存图片前
     
285.     def save_imgs(self,response):
       n3 ?# _! B! Z
286.         content = response.content
     - n6 T9 g$ ~' N. Y
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     2 L8 }7 N6 o" r0 U# R5 d. O  K
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
       F6 j- f& s) @: n0 Z! b7 a
294.             os.makedirs(imgDir)
     8 o2 W0 D" v( H- P
295.         f = open(path,"wb" )
     
296.         f.write(content)
     ) S( P) L6 E/ V: ^: N3 v- m
297.         f.close()
     
298.     #获取url后缀名
     6 j5 S7 c9 q! w* w+ O  s
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     
303.     #获取图片名
     : e6 Y4 u! x: j
304.     def getname(self,url):
     4 b3 ]1 ~/ t& f; f$ Q( x) x2 Q3 p1 d
305.         name=url.split("/")[-1].split(".")[0]
     # V& @1 j. B6 p3 @; Q
306.         return name

复制代码