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！

1. #!/usr/bin/env python
   + x! d: X9 C* \' a
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   : n% y/ {7 ]  u, T
5. 
   
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   
8. import random
   
9. import datetime
   8 I6 Z" C% ~4 I7 f3 B! Y
10. import urllib2,HTMLParser,re
    
11. import os
    , r- N/ n5 ~- l1 i& i
12. import sys
    0 ?9 i% C' E9 {) M7 ]9 @
13. import re
    0 |+ @" S& T4 `8 \! y- i
14. import codecs
    
15. import requests
    
16. import json
    . }% X) X* M$ b- {' ]! @. h
17. 
    
18. class Handler(BaseHandler):
    
19.     global Datos
    0 f4 ~9 ?/ ], l4 w  d
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
    8 P' J: _2 i6 A$ k8 b9 H
23.     Datos = {}
    6 l; R8 `* M2 l! \
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.     }
    8 k9 B1 ?* y% e1 Q! h5 H
32.     crawl_config = {
    
33.         'headers' : headers,
    
34.         'timeout' : 300
    1 R. m7 W3 f+ w$ P4 v; O
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    + U. k5 H" y5 z2 i
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()
    8 L2 ~% N; {8 l. z
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);
    : y9 ]$ ^2 O) j- I
42. #            print(sql)
    1 X3 z4 p' M7 J; t5 ~% S7 l7 g7 x
43.             cursor.execute(sql)
    % N2 A% A! j: U* o. A
44.             
    ; ]! [& t2 h2 G% f
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    / k( F- h* K5 ]/ ?. D3 D- \, {
47.             
    " ^2 K, K, y9 @; ^9 @
48.             db.commit()
    6 m  q* {( s: i
49.         except Exception as err:
    0 K- W4 u- B7 `1 n. F# I
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    % t; _! M" S. a8 s' c
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()
    % p/ p& x- C3 E  |3 }8 X% t
56.             #注意此处字符串的占位符要加双引号"%s"
    ( t; n7 ]: L2 p0 F
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)
    
60.             
    
61.             #qid = cursor.lastrowid
    & G1 z8 R! c: ?4 Y+ q* U
62.             #print(qid)
    8 U1 H$ G+ n- l% V+ t3 E; ~! y
63.             
    1 |. C; I" w- K- p" d
64.             db.commit()
    
65.         except Exception as err:
    - L) B9 P, u$ c. ]4 N! q$ l* l
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):
    6 ~% A+ J* a7 k8 {( W% b
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:
    ) D) a0 [& ]% S+ p# \
71.             cursor = db.cursor()
    ! T$ |  @% D$ O7 C; q
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);
    
74.             print(sql)
    
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    ( r9 L9 j9 E+ L1 C$ P, _
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    
83.         
    2 X) F7 _0 r" ^% D; Y
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    , r4 I. Z5 s6 n7 m8 |1 p1 l1 E9 e0 V
86.             sys.setdefaultencoding("gbk")
    + ~9 P3 M% X4 t  u( k4 V9 D5 t! [
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
    ; a+ h* g8 ~4 `- N! Z/ }* M
90.             'my_p':'密码',   #后台密码
    . [, p" ~2 ?9 w: U& V+ Y
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    7 d! W% y  Z6 e3 u  x1 n: v# `8 G
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    9 y+ p( R( r& J+ d+ c$ d) t; l
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    7 G7 K7 S/ c* p7 k# g" q
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    / E2 S7 c- \6 M) v  ~
99.             'abover':abover.encode('gbk', 'ignore')           
    / M7 |% t$ l( s6 B+ M9 T; U! Y
100.                 }
     : J  `. M6 |& V
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
     ) M# @  u4 L6 Y- e" @, b% |
105.             return res
     
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     
109.         self.base_url2 = '/'
     
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     ' y' ^7 }6 e) S. |8 M
112.         self.page_num = 1
     3 t# y8 J/ ]6 f1 W% R
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     
117.         global Cater_Name
     * p9 \9 |5 W2 m% n1 g8 E  b$ G; L( w- j
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     8 _' c% e9 P$ J& V& b2 P
121.                 if self.CaterId  == 'xuanhuan':
     , R: W, u8 @0 ?
122.                      Cater_Name = '玄幻'
     4 E, _8 a1 m1 n4 Q+ ]
123.                 if self.CaterId  == 'wuxia':
     # ]1 E" a# D8 k& y+ @3 s
124.                     Cater_Name = '武侠'
     $ A! ^+ D- s6 V  q. }
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     $ A, Y3 v. X+ c" p% C
127.                 if self.CaterId  == 'yanqing':
     4 e0 o$ N0 F) }; J0 f5 J9 u
128.                     Cater_Name = '都市'
     7 H; i+ P  ?$ x( J
129.                 if self.CaterId  == 'nvsheng':
     ( I0 T4 |) G: k
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     ) [* p! v' C2 N, S) m4 ?
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     * \) Q. a- `* ?/ m) N% M/ s& x- g
135.                 print self.CaterId
     5 o* k8 R! U% Y( b! x3 [# O4 O
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     , i: v' \! J0 J$ `9 a
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     
139.             
     - Y  @5 V5 O' \; D: b
140.     def list_Caterg(self, response):
     : l! p. g; Z! [0 d/ ]2 w
141.         Cater_Name = response.save
     ! _' H4 e$ `! P0 }1 e
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     , L. ^/ D# N  }# ^- {( a) w
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     . `% }1 C, ^* K2 |$ x: S- V1 d
147. #        print Cater_Name
     * g- {0 r' t! E1 r  ?! s5 D( i6 j
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     & w! \# t: b* v& }/ i; O6 v/ s
152.         Book_Introduction = response.doc('.book-intro > div').text()
     . c( H/ W- t9 f  F
153. #        print Book_Introduction
     : @* d$ t' i+ f. G
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     ! f/ A" F! |$ I% n& P+ e
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     ! s1 A  k9 q: v
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     7 Z( Z0 g: B8 {/ z8 q' g7 e
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     8 A3 _4 y& `7 f! u' a
162.             img = imgs.attr.src
     8 R( y5 w, C% t) j9 ?# c" a- x
163.             print img
     
164.                 #小说封面下载
     * P' B) B0 }, g/ x8 M, l" a
165.             extension = self.getExtension(img)
     : H. A0 d- ~, [  z
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     ! Z& x& g" B, d: y. [
168.             imgDir = P_dir + name
     ' ~# `5 {$ C' h, y! W
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
     $ s. q2 o+ K5 D& A
172.                 print('attachment url is ' + img)               #
     2 S$ w9 h3 y# n' r
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     : n" k. f9 P2 F+ U; {/ O
175.                     "Book_author":Book_author,
     & w# f, Z; J1 o! E9 Q0 U8 O
176.                     "Book_Introduction":Book_Introduction,
     $ b9 H1 G9 a3 k! p7 J+ l; M: U
177.                     "Book_Synopsis":Book_Synopsis,
     - x( A9 K+ e% V- o4 Z0 I
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
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():
     
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     + f0 f2 ?# ?& s% X
184.             
     
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     
190.                    "Book_Introduction":response.save['Book_Introduction'],
     1 ^* [) J- @' M" l( R% a/ M, e" j. [' n
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     7 K- |& C! X* L
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():  
     1 U6 k& _0 Z4 e+ M
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
     0 \; X, w3 h3 i( b
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     ; Z0 f5 A, \1 j9 y' S
202.         NewRe2 = u'huhjsd.CC'
     8 k# `$ A3 O0 S6 O
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     % k* Q. ^( S3 j- H
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     9 I3 x" M  W6 R. G& q  v2 F4 f
209.         ReC1 = u'静思'
     5 X8 Y* `  G8 P! w. i5 h
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     ! a+ Z  f! l& t9 {7 n
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     ( ~* F0 m% D" Y9 P% Y$ y2 G  D# }* d
216.         print Bookname
     
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     - g! i! b( H* E8 {
218.         Book_author = response.save['Book_author']   #小说作者
     ( |0 l2 K/ x8 x) B" O/ ~
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     2 ?0 I2 I" J' u7 j8 u/ g
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     2 ~; f) Q3 s/ ?& X4 \
222.         Bookurl = response.url   #小说网址
     9 I$ q9 p- h. O; p9 ]5 t  n& Q- z- P
223.         Booktitle = response.doc('.article-title').text()   #章节名称
     
224.         BookID = response.doc('.readset-r span').text()   #小说ID
     / K9 O7 D' I6 i8 v" I
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)
     . L; V- H2 ]" y4 @. ]
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     6 y# ^* N/ n4 I" M
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     ( N, ^6 D& \$ Q# c* v# W# @9 G) I
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     / L( Q- J% F" D( g
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     8 R6 q' k$ G( T5 @5 X- ]& O
235.         BookConte = BookConte4.replace("\n\n","<br>")
     " t+ n3 H  G# E) L
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     ! E1 U- K, l. m) r$ {7 ]7 W
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     . y! W7 C, B# q
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     / Z$ a& D" W+ E+ h: I
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.             
     
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
     6 E8 \0 m) U" l2 e
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
     
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     ) c. u7 p. o$ Q. y; w& o
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     1 S+ q% }" B. ^/ j
256.                      }
     . t" l  _: R& L
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,
     . Y% p+ V0 Y7 ]9 I
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     $ ~1 h* I0 s& m
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     6 U0 a+ z0 _  n: x' z
267.             "Bookurl": response.url,
     7 X% p) y6 C/ Z5 K* j; A
268.             "Booktitle": Booktitle,
     * I! k" G; i1 Y* v$ [4 k$ Z/ l7 }
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     * S4 D/ ]1 ]% v$ s; n
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     2 P5 y7 C( u1 h
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     / @& X& {  U) R% o/ {" b  s
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     : p- h$ y8 ]1 }  N: n4 ~  i) P
282.         f.write(imag.content)
     
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
     , L: s+ V' y( p& h$ S& ~( q8 Y' D3 p
286.         content = response.content
     4 e% s- o3 U. |# ~. X6 ?
287.         file_name = response.save["file_name"]
       H! M8 ~& M5 z, O  H7 B
288.         imgDir = response.save["imgDir"]
     - o; j: ~% ~: A* I4 Q0 R
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     ! g/ N7 L9 W" t
291.     #保存图片
     2 `# |3 [$ E  Q  b* {
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     / Z: G  t" U7 |
295.         f = open(path,"wb" )
     5 x* n) j  u" g, s/ N2 }( d2 b. K% o
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     ) ?( _% S; M4 P) W, L/ Q( Z
300.         extension = url.split(".")[-1]
     
301.         return extension
     
302.    
     + M1 C- y: X! S2 _( i: B2 J* P
303.     #获取图片名
     3 ~" G& @3 @- T/ F# N4 d  _+ x
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     * Z, e* h- q6 j: a4 z/ z9 A+ X3 l( i( U
306.         return name

复制代码

6 a# N: h. i* N! ]