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 [6 U  i; V, B5 o) v4 |" u2 g

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   # e8 {6 _! `3 F) ?( o! n3 J
4. # Project: XiaoShuo
   
5. 
     @( t; {0 N  F# \# a6 J2 Y4 K  x
6. from pyspider.libs.base_handler import *
   8 C. [: L7 k. f, n' O3 o  ?7 N
7. import pymysql
   
8. import random
   0 i- G1 P& s8 ?# Z; A8 ~- {
9. import datetime
   4 _8 j, {) N! g, |& K6 ]( H# S, q! G
10. import urllib2,HTMLParser,re
    + q, T. _- K# W& W, x2 }
11. import os
    
12. import sys
    
13. import re
    
14. import codecs
    4 H( m6 {- o* K. T1 H/ ?
15. import requests
    + R6 O% {) U, n' _9 \4 z
16. import json
    
17. 
    
18. class Handler(BaseHandler):
    
19.     global Datos
    ( J% p* a9 y* `6 m' G6 u
20.     global P_dir   
    / L7 P+ }. |  k. }4 C( m4 W' z- P
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',
    
26.     'Accept-Encoding':'gzip, deflate, sdch',
      _$ A; W( \3 I7 {# y
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    
29.     'Connection':'keep-alive',
    3 b; |1 {0 {9 w# @- e/ R
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'
    / N! r. i! K4 r0 e
31.     }
    0 q6 w8 y& ?9 ~8 V
32.     crawl_config = {
    
33.         'headers' : headers,
    
34.         'timeout' : 300
    
35.     }
    ! m' T" L; q1 B
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")
    " [+ O6 S2 ~8 e# x1 @3 A. O: n! J( S
38.         try:
    
39.             cursor = db.cursor()
    
40.             #注意此处字符串的占位符要加双引号"%s"
    ( K  S% z* p+ x
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)
    9 {9 @+ v% b' n
43.             cursor.execute(sql)
    
44.             
    + O+ }; e% @; \' N
45.             #qid = cursor.lastrowid
    1 x* v0 i  A" p5 B+ P1 w5 {- D# T
46.             #print(qid)
    
47.             
    
48.             db.commit()
    
49.         except Exception as err:
    ( g9 ~  k9 Y/ [! n6 A& D0 i
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    - v+ T) {+ E4 o  G1 x' A& B7 \0 z2 d
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    . e1 h" R& I" K, j
53.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    % V2 R4 f: y6 S" W
54.         try:
    : G: h) P/ s4 b4 Y; t( \9 b* p. L1 Z# I
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)
    8 R, j$ g7 T! F7 U( z0 m
59.             cursor.execute(sql)
    ; v( D% }( G& F% N- M
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    . R- M3 Z  I9 x7 r; n* V& `9 }! W
63.             
    
64.             db.commit()
    
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    # x7 o5 d; c3 N  w0 |8 q# L
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):
    
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    . g! p8 J& ]$ v9 s0 G7 {3 t
70.         try:
    $ l* O# O) }6 F
71.             cursor = db.cursor()
    $ O! v+ [, |: W9 }' I
72.             #注意此处字符串的占位符要加双引号"%s"
    + }9 W) s) \5 V9 w& |: }
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)
    2 |+ Q2 V0 l5 X: B) s  g4 c6 b
76.             print(cursor.lastrowid)
    , P7 r2 x( U- n8 Y2 e
77.             db.commit()
    3 ]1 t. ^: J# s4 a
78.         except Exception as err:
    
79. #        except:
    
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    % }2 g: j/ Z, k6 E3 P7 `- m! M4 `
82.             db.rollback()
    
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")
    
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    
88.             locoy_data = {
    . n* L% d( s% ?$ T
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'),
    " |6 x% y4 g' F2 ]6 {1 }
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    $ O* Z) K+ r/ h+ [( n
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    
94.             'article':BookConte.encode('gbk', 'ignore'),
    ; }: A6 q; F& W  x- J
95.             'author':Book_author.encode('gbk', 'ignore'),
    % S) v' k1 v8 W% F: N
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    * N$ k1 n$ M% L
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    5 y' U3 X  N7 Z$ l
100.                 }
     % t5 F) @' M. x+ y6 _' y
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     " |, @1 w7 c+ ?0 l. S7 ^9 W
103.             print res.content
     
104. #            print Dsd
     ) M: _( Y: H5 U! I9 M$ L! X+ X& B& o& ]
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']
     
112.         self.page_num = 1
     
113.         self.total_num = 200   
     
114. 
     ( U8 n6 K& N$ I/ k# n) Y
115.     @every(minutes=8 * 60)
       t/ j4 T; f1 q( m4 _+ i; f# w
116.     def on_start(self):
     $ V9 i$ g: l/ B3 q
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     ; I& t7 C& Q4 _4 S" q5 c
120.             for self.CaterId in self.CaterIds:
     # x- U" a5 A/ e
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     ( U4 E6 o. G" m; H
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     0 f1 r1 C4 u- T! i
129.                 if self.CaterId  == 'nvsheng':
     / a$ ^7 i) m4 D! s+ ?. D3 c
130.                     Cater_Name = '都市'
     ) t) J; Y; H: l2 E' ?2 b: {
131.                 if self.CaterId  == 'kehuan':
     0 O! B: i+ q5 Y( C4 x+ z' U4 k
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     8 z3 ^' D; ?4 s
134.                     Cater_Name = '游戏'
     - T4 Q/ K+ o7 n7 q% A2 A8 R, `
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     8 m+ ~5 V( [) E6 r- s
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     ( Q. Q/ v1 J% L# n8 z: z
139.             
     . h" _* X8 }( h
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     , ?8 q/ w+ ?& a3 X1 L
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)
     % f- o( Q5 h' ?3 B$ N: B
144.             
     ! v* k% Z' K# Q2 K( d: }/ |* N
145.     def list_Caterg_detail(self, response):
     - w3 w! `3 B% W) U2 r
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()
     ) J- X' w/ Z3 q+ E
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     
154.         Book_Synopsis = response.doc('b').eq(1).text()
     + A/ c7 T3 V" A8 ]) ^/ c- P
155. #        print Book_Synopsis
     ' T- T5 `# a* m8 C, w
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
     : k/ I# V9 R6 P* V
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
     
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     & ~7 M* }" M0 I/ `
166.             name = self.getname(img)
     % P9 [8 w( h+ g
167.             file_name = name + "." + extension
     0 m* ~+ @0 ?# t2 q
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     % O9 w- }/ O8 ~" z8 Q$ H
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
     * G; @' I! s# L' P5 j4 F3 L8 e
172.                 print('attachment url is ' + img)               #
     0 }5 _4 V& u3 U& Q( B
173.             Datos = {
     4 d" \" I% S  ]( N& c
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     : _/ N. u  V) n8 u7 `1 ~
176.                     "Book_Introduction":Book_Introduction,
     * T' [  {0 q( r" W& ~! v* Z
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     8 n# d6 @% K$ \5 i6 l  a1 N
179.                     "img":img,
     
180.                 }
     . T9 V. R% C7 X; c! X2 ~
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():
     * m4 o) o0 D2 L- C
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     # s* F* |. G$ ~7 i3 N' _6 q
184.             
     
185.     @config(age=8 * 60 * 60)   
     % r+ g2 ?; N4 [; R
186.     def index_page(self, response):
     
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     ! u% s' u  v6 z: k% b! s: |5 R; ?& F
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     : l9 g8 @1 b8 W, {
194.                      }
     
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     " Y* o; B) w/ m# i% |- J
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)
     8 @4 f* k5 n: Y3 c1 e
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
     0 A+ P' B3 A  ~# e* T# G
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     , D; k6 ^9 h+ R
205.         NewRe6 = u'fgdfgf'
     $ U" I; O/ [; O$ E
206.         NewRe7 = u'fgfgf'
     & u" d' [4 x$ }' z6 `
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     0 E* o3 u  w( i3 ?' v
210.         ReC2 = u'aghgf.com'
     3 ]1 D3 R# I) q4 q: [
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     4 q: N0 ^$ S  g/ t
213.         ReC5 = u'文学网'
     
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     ' s& B) k! H" ~! {: ?
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
     9 ^" j6 c4 X! s' a) \$ I9 S0 ]2 ?
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
     
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)
     2 X& }! i  d; r* U7 p0 @5 N+ @
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     5 W" q) O5 q2 ]' Z2 J- b) M5 e: R
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     , Z0 @2 l1 ~7 K1 m0 ?5 k; I
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     : f: i; B" n. y, f1 L. G
235.         BookConte = BookConte4.replace("\n\n","<br>")
     % z3 v" M  c* m+ `, M3 K( O
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     - Y4 ?5 U7 I. ]9 _5 w; I
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     7 P1 W+ F6 J( n8 g+ q8 k. p
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     7 o5 I* ^; G7 M: Y6 J
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
     & Q/ ~4 I7 V# a/ T" ^+ U3 E+ T
243.             
     2 a3 y( P) r# }" R: N7 e% _1 u
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
     ' X8 X, H" U$ Q
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
     ( M2 @3 i* z/ q
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 = {
     $ o6 W# n0 O* }8 }
250.                   "Cater_Name":response.save['Cater_Name'],
     5 ?3 a; y4 ]! h; F! `
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
     3 @  z# H5 t5 Q6 N6 L0 l" J' z- o' P
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     & ~: p: Z% v' a2 D, c% p: _7 d
255.                    "img":response.save['img'],
     . v3 p$ y9 \& `3 n
256.                      }
     
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     ( m& I( ~" r8 o, Y7 J' s0 q
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     2 D( y: M) w, }6 E  H: W
259.         return {
     
260.             "Cater_Name":Cater_Name,
     % A8 @2 V% v8 q( W4 T
261.             "Bookname":Bookname,
     * j/ p* s. R, ~9 f% o1 y1 o6 P5 V
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     7 t! r' v# p0 U8 n! p4 _* w
265.             "Book_Palabras":Book_Palabras,
     : z* c( f+ }+ H3 `. m- I: i
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     + q/ y  g- ~6 b
269.             "BookID": BookID,
     ) H9 B! R, t% y, a9 n. M
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     & d0 ]; t6 L5 R4 {
272.             "abover":abover,
     5 U, f* L. U. G! \/ ^5 R
273. #            "Book_Date" = str(datetime.datetime.now()),
     ' j  Y0 i. {: G3 n
274.         }
     
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
     - G) v9 O+ C$ D6 E
279. #        print file
     0 l" `! D3 p& u* ]  K
280.         f = open(file, 'wb+')
     / E% U  c$ Y  h+ W6 X8 Z3 r/ G+ x
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     ' G# g. n- X, r
284.         #保存图片前
     - j2 j7 X# c0 g5 F
285.     def save_imgs(self,response):
     
286.         content = response.content
     
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)
     ! d# h: a- u2 I* ^" d+ g
291.     #保存图片
     % i& @  T* M- B5 f+ L) t6 }
292.     def save_img(self,content,imgDir,path):
     + e  e9 `9 F  `* o
293.         if not os.path.exists(imgDir):                        
     3 `* a3 W* i9 }
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     6 f' M" W2 q2 r5 _2 p
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     5 c- J" k& p! [* h
300.         extension = url.split(".")[-1]
     
301.         return extension
     : n( b4 e$ [+ A8 c, }, G4 s  J' I
302.    
     
303.     #获取图片名
     ; B3 F3 M7 ], R+ w: u. o9 a
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     - _. Z6 F6 k. E- Z( @* N# V
306.         return name

复制代码