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！
( Y0 O7 M/ c7 h) q; u+ z

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   1 k1 ^. H6 x7 e7 X% Z+ X
4. # Project: XiaoShuo
   % L, {; f; I3 O3 X1 N1 x6 g7 X
5. 
   * b8 e: z# v* R+ v7 W
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   5 A; p# P7 b' h* {+ K! V0 E% S
8. import random
   7 ~% i& x5 F1 R
9. import datetime
   ( I9 k. o" i7 j
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    
13. import re
    
14. import codecs
    0 z7 f5 V, l, v+ @/ _, q. f
15. import requests
    - l& x$ P/ M4 E3 C: o+ W4 c
16. import json
    
17. 
    ( V/ B; o+ S5 I; u. h
18. class Handler(BaseHandler):
    
19.     global Datos
    % \6 G& j' L; `
20.     global P_dir   
    
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    ! Q9 F- `# L) U3 U- L% c* H( M* J
22.     global Datos
    
23.     Datos = {}
    / M+ }0 I6 `* G9 a
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    
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.     }
    . \4 K. z, v. K2 S! f4 Y
32.     crawl_config = {
    # s; b+ F/ t0 n
33.         'headers' : headers,
    
34.         'timeout' : 300
    - ^' F' w% X% n( m/ t; s* }5 Q
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")
    7 ^& E  p# O& E+ q2 V
38.         try:
    
39.             cursor = db.cursor()
    
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);
    
42. #            print(sql)
    5 a( Y$ q' N2 |1 j/ |& d  {
43.             cursor.execute(sql)
    
44.             
    
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    / f' e# r8 x/ q3 k9 ?& r4 k/ Y
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    0 i8 _9 R* o/ |. n3 U1 b8 s: B
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    $ W0 ^$ v: d( m$ S! w. c% s
53.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    " @" ?8 F3 T* y+ f3 V
54.         try:
    
55.             cursor = db.cursor()
    % X7 s. W0 M/ R: P! q2 R
56.             #注意此处字符串的占位符要加双引号"%s"
    : X5 n  @5 H6 N5 Q3 S' h
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    : l1 s* }% j5 O4 l9 `( `4 I
58. #            print(sql)
    
59.             cursor.execute(sql)
    5 o' X3 A/ X  F3 i. r
60.             
    & G3 Z* K# ~4 g( b( Q; o
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    
63.             
    + B$ ~2 k; q# v. Z4 w
64.             db.commit()
    ! Z3 o' U% z( }6 X4 S! P, W* n
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    - s7 s1 q9 t* M9 u9 y
67.             db.rollback()
    9 u$ \3 Q3 n, C/ P
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()
    
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);
    7 y* `7 Y: c( x
74.             print(sql)
    
75.             cursor.execute(sql)
    6 J  {; O! F9 Q) m% j" P
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    1 `0 d7 X# ?1 N3 P7 j. S
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    * a1 t6 v( H5 R' [# ?9 H
83.         
    
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    # p) |6 a6 @4 K! E9 H
86.             sys.setdefaultencoding("gbk")
    
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    / ^) a2 Y  R6 n$ O! d
88.             locoy_data = {
    
89.             'my_u':'用户名',   #后台用户名
    $ ~. |4 W6 f7 e  M  X! d
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    9 S( u, S# X& c! A( A; ]
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'),
    - ?- W( ?0 @# F: G
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    7 z* I+ b6 S9 T* n
97.             'thumb':Book_img,
    
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    - Z. N+ D2 H9 t  z7 t
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     
103.             print res.content
     - Y  B& ~# @3 T. X( v9 [
104. #            print Dsd
     
105.             return res
     
106.    
     ( ]; L# W% I9 A$ \# [4 N( h
107.     def __init__(self):
     # N- `; V0 g9 I) s( p9 l
108.         self.base_url1 = 'https://www.****.cc/'
     . M- n5 c1 I  @: G: U
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     
112.         self.page_num = 1
     ! l# H8 q: z  d& W7 a+ K
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     " e/ _- U; X- }/ m
116.     def on_start(self):
     " u; t% k7 h" W  B- G; f8 A
117.         global Cater_Name
     % w; z# [4 R0 W" L( o
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     , \" s4 v; j2 \5 E2 R
121.                 if self.CaterId  == 'xuanhuan':
     . Z9 U- w+ z+ h5 D2 h
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     5 A8 g0 J& p9 A" Q* n# C. p
126.                     Cater_Name = '历史'            
     1 v7 P9 O7 a/ V0 S- w* d
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     6 u1 @1 m% E9 Y+ S# S9 ~
129.                 if self.CaterId  == 'nvsheng':
     $ m, O6 b- `$ u! k/ z, P0 Q" m9 O
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     # @) Q2 U) D* c% U. ^
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     1 F$ v, q2 }2 b( f5 \/ \
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     . u+ v* w1 ~0 t5 Y+ y8 ~
139.             
     
140.     def list_Caterg(self, response):
     7 h1 `: v' C. l( o) A4 f$ j: j
141.         Cater_Name = response.save
     2 m0 H/ c( I! z* I2 T
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     ! C9 g& t7 ]" C3 s- ~
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     9 w; F% M. _* J8 O
148.         Bookname = response.doc('h1').text()
     $ z" k; [6 F/ q
149.         print Bookname
     ! a( h  H% g6 M5 y" p
150.         Book_author = response.doc('.authorname > a').text()
     - x; R9 w( ^3 r; j9 S
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     . I) t# a6 p) |2 `1 |( b6 W
153. #        print Book_Introduction
     4 n  G& I; {/ g
154.         Book_Synopsis = response.doc('b').eq(1).text()
     - B4 L3 _. T" I# y0 B
155. #        print Book_Synopsis
     0 E6 \" V: X5 |- _$ w0 ~
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
       b2 V3 S# O  }! \
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())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     ! k4 p: B. s# v/ b$ `$ J
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     1 j7 O! e% R2 o( c3 v0 d3 ?$ X
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)               #
     
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     9 ^5 j  i- s% R/ R! t) d4 D8 U
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     " q" z1 k; l/ z8 S. _
179.                     "img":img,
     8 ]7 ~. l! M0 w; S; o3 j& i  @
180.                 }
     9 I4 c  m: e6 |# k8 E2 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
     
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.             
     % Z/ F8 ^% o3 r3 m
185.     @config(age=8 * 60 * 60)   
     * _; \1 U; T+ k1 M5 W) M+ F
186.     def index_page(self, response):
     * x/ e  T. n/ X5 f; {
187.         Datos = {
     ( X; L+ T; [5 z& x$ O+ k
188.                   "Cater_Name":response.save['Cater_Name'],
       _  |3 J3 @' j: p
189.                    "Book_author":response.save['Book_author'],
     ) ]; G* N* l) A& A, b$ @+ {7 d
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
     $ R8 s" x8 m, G2 Q
193.                    "img":response.save['img'],
     9 Z" x% b# c% H+ l* |! @" |: s1 y
194.                      }
     
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     : M# a, q0 V5 v1 M
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)
     . n( ~/ U+ R0 s3 K$ k+ X( U
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     , _; [' O9 u( @
206.         NewRe7 = u'fgfgf'
     + q! P/ P+ W7 Q. w
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     & h2 {: r* O# N. N  P
210.         ReC2 = u'aghgf.com'
     ! H# P  x) U# i$ ^1 d  m8 J0 Z
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     3 A  D- x9 v. \' ]2 C: l2 i( ]0 A$ g
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     5 [1 x. h1 ?' D1 j- f/ |+ P
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     2 W* S: L6 o" Z
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
     2 Q- f. i; ^7 ^6 n
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
     , L3 K1 `+ j0 c6 A7 j7 O; G3 d
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
     / U. Z3 ?! E; v* x+ z# V
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     6 |) W6 w" g, S  b& a
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     " Y0 l4 F, m5 P! N$ b- M
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     ' o) T0 c6 H  q
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     # E1 t  S. ]" F2 r+ M
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     6 Q3 {9 L, S& d6 ~5 Z7 t) v
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     : D; v  f; T1 K" r
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     5 |9 L3 U$ \2 i0 ]
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     
242.         Book_img = response.save['img'],  #小说图片
     + U9 ~4 w$ w, `& u
243.             
     
244.         #insert into MySQL 小说入库
     9 g0 ]4 `4 ]9 ]3 i( w8 q7 F7 s
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
     ! V( \4 x' V6 k' N, j
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
     . B1 O) _1 f& H  s+ L6 j
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 = {
     , T7 `4 K) J  x  |* \; a
250.                   "Cater_Name":response.save['Cater_Name'],
     $ T+ Z; v" o3 n2 c0 c5 ?/ h
251.                    "Book_author":response.save['Book_author'],
       g# D" [  \! ]& g
252.                    "Book_Introduction":response.save['Book_Introduction'],
     ; S& W1 F6 ^( o# z% m1 b. j
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     
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 {
     
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     9 X, G' Y0 D- \7 X1 l3 N& s
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     1 O% Z5 }" E9 m- q2 |
265.             "Book_Palabras":Book_Palabras,
     # ~0 O7 Q: n7 M
266.             "Book_img":Book_img,
       F- A" ?7 E2 ]3 y
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     " f' @! f6 R% S9 q+ q9 {
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
       r  Q. F: M0 I
274.         }
     % X0 Q  z  I" h4 q
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
     
279. #        print file
     - A6 Q9 L! q: U' U1 Z; C. j( k
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     0 G  _( i$ M2 `; W) X/ X  Q0 x' R
282.         f.write(imag.content)
     
283.         f.close()
     & N- g# ^* E* n3 R( T  ?
284.         #保存图片前
     
285.     def save_imgs(self,response):
     , j# m# T. R7 O; b+ R" K0 B
286.         content = response.content
     / x1 e" @% n: C" H$ x( _
287.         file_name = response.save["file_name"]
     # g) K% c# ^% M& j" e* q
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     ) N/ i: N+ [  Y6 o  @
293.         if not os.path.exists(imgDir):                        
     ! ~: {( t- i1 H6 P) ?
294.             os.makedirs(imgDir)
     + ]& I# e7 T/ n4 f9 K
295.         f = open(path,"wb" )
     
296.         f.write(content)
     + C, m3 f* b) A( x2 ~" z5 t) b
297.         f.close()
     1 V" h0 u9 W7 T% ~0 `* j( S' ^
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     , n* r( P% e1 t$ F, d2 u% ~
301.         return extension
     / f2 A$ D* O! o- H  S
302.    
     1 v# u  o  o3 r$ }$ K- W0 e, r" v
303.     #获取图片名
     8 h8 ?- i. Y$ Q) G  Z: {
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     / g2 b' v9 U0 H+ G2 ?9 y: I1 v$ P/ z. d2 l
306.         return name

复制代码