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 u" @' `# q5 q; ^

1. #!/usr/bin/env python
   & d$ n; j2 P1 M% n& {/ F
2. # -*- encoding: utf-8 -*-
   * r- K# J  k$ T! Z+ t/ c
3. # Created on 2019-05-05 21:43:11
   ' g6 X4 v# u* @* T
4. # Project: XiaoShuo
   
5. 
   4 _+ {/ q  ~. z- e1 H
6. from pyspider.libs.base_handler import *
   : y; F# L9 |% a
7. import pymysql
   
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    ( P' `* U8 U) r" b5 |
13. import re
    - g( l  k( z9 I- h6 P
14. import codecs
    
15. import requests
    
16. import json
    
17. 
    
18. class Handler(BaseHandler):
    
19.     global Datos
    - [7 X: {2 e* c
20.     global P_dir   
    * f1 E0 O% B( g- x: }
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    8 _: ]/ Q" j; u
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',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    4 p4 U% `+ I% q3 ?" }
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'
    # ^/ ]8 i0 Z' k$ ~0 @6 s9 h2 ^
31.     }
    . i# L% D. S% N1 J4 N, r3 n
32.     crawl_config = {
    
33.         'headers' : headers,
    " M0 h* k( |8 T# E2 b4 K8 z
34.         'timeout' : 300
    ; s; H  L) m9 f* f. f; V
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    ( L$ Y2 }% A2 g- ?- n
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    / j- Y5 d9 N8 u* x9 g+ L( m: y
38.         try:
    % }- C; B, N- f3 j1 P5 c
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)
    
43.             cursor.execute(sql)
    0 c: [& t, `6 J4 h  j
44.             
    
45.             #qid = cursor.lastrowid
    ) {9 G/ N$ T8 }
46.             #print(qid)
    8 V: r4 ^0 z8 {
47.             
    
48.             db.commit()
    0 U) H( t! G) T7 j
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    2 t# }" ?, C- H! q$ {+ r- z
51.             db.rollback()
    
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:
    
55.             cursor = db.cursor()
    
56.             #注意此处字符串的占位符要加双引号"%s"
    - U: U- Q# m& ~9 B; `
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)
    : |$ \. C" U$ K1 W
59.             cursor.execute(sql)
    2 |- R. s. C. ^& k
60.             
    ) Z! p& M. O! W# x5 m, ^
61.             #qid = cursor.lastrowid
    0 u. C, n: [. A2 ~) p
62.             #print(qid)
    2 O( v, {" Z* a0 O0 p2 G7 g
63.             
    
64.             db.commit()
    + q, Y) t7 I/ a; a' m* V
65.         except Exception as err:
    
66.             print("Error %s for execute sql: %s" % (err, sql))
    6 ^  K6 _2 X+ {4 s
67.             db.rollback()
    ) \' y# F- V, u2 P1 L
68.     def add_question(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Synopsis,Book_Palabras,Bookurl,Booktitle,BookID,BookConte,Titleid,abover,Book_Date):
    . v1 b' Z) U9 I! U: @' }7 f
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()
    $ M/ ~: z  b+ W9 w0 j
72.             #注意此处字符串的占位符要加双引号"%s"
    * \3 M" L4 [( A/ 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)
    . Z! O* h1 Q( B( ^, n
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    
79. #        except:
    
80. #            print('Failed')
    ; W7 d7 |  N/ |
81.             print("Error %s for execute sql: %s" % (err, sql))
    3 }( T9 r! ?( N6 c
82.             db.rollback()
    7 F' E- u1 `1 N
83.         
    , i8 V3 z+ Z; q9 ]. L% T) c6 C
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    ; q% E2 S9 \" L& b9 c2 E
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    " x  y0 b, l5 }2 }
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
    
88.             locoy_data = {
    . Q* p4 D' Y9 r0 U
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'),
    9 }% G/ l  }$ [: T3 p4 c: ~
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    , S) I) c9 p9 d) q9 t5 `# L+ _
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    0 Y3 P# f3 Y" x, f( \! \
100.                 }
     5 [$ y5 z) N  D& w
101.             res = requests.post(locoy_url, data=locoy_data)
     - ~, `1 M$ o/ _8 M$ b
102.             print res.text
     
103.             print res.content
     7 b% e* d: e6 a' @. ?
104. #            print Dsd
     - v9 `4 m, s7 x. i
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']
     * l* [  j- b+ y0 L0 k
112.         self.page_num = 1
     - {( t; A2 S6 s9 \7 g1 U
113.         self.total_num = 200   
     
114. 
     
115.     @every(minutes=8 * 60)
     $ E2 w  {6 h" f. K# q
116.     def on_start(self):
     % ~) W3 b% {0 B. l
117.         global Cater_Name
       \/ a# ~' n; [* q; l, Q8 O
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     # _7 [: i0 L* f$ D" o5 {% M
124.                     Cater_Name = '武侠'
     ! u( ^. u4 ^% j2 r$ R% @
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     % G# ?1 q7 m: F8 j9 L$ g
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     6 B) r3 U3 W8 X9 Q8 w& V8 |' [
129.                 if self.CaterId  == 'nvsheng':
     7 }: E' }) Q; N; E
130.                     Cater_Name = '都市'
     . m$ g  V8 V$ N" o
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     ( v: P* ]0 D- _* ~/ L
133.                 if self.CaterId  == 'kongbu':
     7 {, d$ |2 O$ g& g" V0 `
134.                     Cater_Name = '游戏'
     1 ?. J9 K! Q& K" T' h
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     0 D) [1 ^# G; s
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     
138.             self.page_num += 1
     * o1 T3 v$ |  _6 \6 E( F# J
139.             
     & k5 s  W  z; r/ D1 e4 I
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     9 [  @' C$ L, z+ `
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     6 K$ R+ V2 N/ b3 f/ x4 p3 M/ V
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     & M2 ]3 E5 l! l5 s5 D8 W1 q( ?. S
144.             
     # M- z& Z# p% z, _1 F! n: A
145.     def list_Caterg_detail(self, response):
     ( Y5 I2 s, k0 K
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     
149.         print Bookname
     . p1 K' ~; e$ t1 b
150.         Book_author = response.doc('.authorname > a').text()
     5 W1 {! l  B" W5 c7 m1 C; q% `
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     ; L5 F' y- r0 I" J' L' `2 J( y
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     9 z2 Y1 @9 e, k6 Y2 X4 _% a
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     4 F# }" @% W! S* |! K3 |
157. #        print Book_Palabras
     0 k& E; w  O5 }8 j+ x' @
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     - T) |; j) Y+ Z9 ~
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     ! T& g0 p: Y7 _
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)
     0 I+ W' B8 C0 Z4 X+ i7 @
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     ; I7 u) A$ ~; e: ]. K' L5 c
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)               #
     7 y& p* a- o  p' x3 v7 `
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     . Y# }! g3 }1 l1 y9 W2 d2 Q
175.                     "Book_author":Book_author,
     / |( }0 L, {% V; E) G
176.                     "Book_Introduction":Book_Introduction,
     4 q: `: M& ~5 Y4 n# H! r. `
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     7 h) T( Q. ]+ X- l8 U& q# \- z
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
     5 k1 _# t/ N  `3 P
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)   
     
186.     def index_page(self, response):
     
187.         Datos = {
     ; [0 J; M& @/ x; h1 C, ^% D" \1 u3 @
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     
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'],
     
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():  
     , ^; ]) l9 o. V; i$ ]; B+ f
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
       L8 K! M, Q* O6 G  t( W2 Z
200.     def detail_page(self, response):        
     ) S& n' H$ u5 S# d
201.         NewRe1 = u'哈书'
       K* E$ a* D& N- g7 {8 S7 J+ p
202.         NewRe2 = u'huhjsd.CC'
     . U2 k* W; [0 p4 Q5 V1 M. @
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     . P# Z8 k# Z$ @2 I$ n  q6 K
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     " G+ O& f  x: q# k% ?' z
210.         ReC2 = u'aghgf.com'
     : ]* q" f% {! L4 Y
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     & M% _- z' ]1 s( F' J( H/ ^/ E
213.         ReC5 = u'文学网'
     4 _9 g2 x" g# M* ?5 c# k: Z' }& F
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     3 U" C2 V+ s5 J( k
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
     9 D% I( q* I; L3 p0 ^$ r
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     ! k3 _4 M# L! j: a
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
       k2 P2 x% D: J. @
222.         Bookurl = response.url   #小说网址
     1 p: D2 X0 z' L6 E8 Y5 L* ?
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
     3 {! E- b0 y1 R' O. w: `
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
       R4 p0 b) W- q% c
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     / C" |2 q& `$ @. L  y) J$ ]
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
       k  I8 O$ x# ~+ v
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     3 o+ o5 M0 M  j- _
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     & `: L/ R9 k0 \. ]
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     ; |( X2 i+ X0 j: e+ H
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     " |5 S7 t5 Z4 z% Y! E
236.         print BookConte
     " ]9 }( t0 r+ L8 K) c
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
       `2 [0 g( @2 _; c+ r) |1 s& K1 U
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)
     + L# J( v3 V! o$ Y
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     
242.         Book_img = response.save['img'],  #小说图片
     ' H' u7 N5 }4 N8 e
243.             
     5 p) C/ b; o/ m0 b
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
     
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 = {
     + b. }: n3 |- M0 S7 T0 C" e$ D
250.                   "Cater_Name":response.save['Cater_Name'],
     ( D$ ]1 ^3 @7 |0 W% h
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
       _5 v# w( }* ]. ~# W
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     ' A( x- B$ R/ n0 ~, R
254.                    "Book_Palabras":response.save['Book_Palabras'],
     
255.                    "img":response.save['img'],
     ( {; S- j, ~& Z2 F% f" W
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 {
     4 L1 L  u. J7 L# S
260.             "Cater_Name":Cater_Name,
     1 S/ @+ f8 _  C1 v  Q, O2 O
261.             "Bookname":Bookname,
     ; m1 b0 H, K1 i, s# k' R5 z+ v: ^
262.             "Book_author":Book_author,
     - @& g# _$ P9 C( ^. P
263.             "Book_Introduction":Book_Introduction,
     ; l# Z. w4 l1 R% ^6 u- C4 L: l
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     6 M! B3 c! u# W2 D* ~
267.             "Bookurl": response.url,
     5 m+ r- q1 ^/ z
268.             "Booktitle": Booktitle,
     3 v# l; }2 a1 {3 `
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     7 Z) X& t1 g6 E' N
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     ) V0 C4 O1 ?" P9 |% {4 L( x
273. #            "Book_Date" = str(datetime.datetime.now()),
     ( j/ f. U4 {; O
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     6 s! d5 n! L: Y  K2 H
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     ( _# [0 O7 B& u7 _) F0 H
279. #        print file
     
280.         f = open(file, 'wb+')
     ; y) V2 z0 O& b2 I: E
281.         imag = requests.get(Book_img)
     0 }% v* N' V- e9 R- K2 e+ J$ q2 _
282.         f.write(imag.content)
     * U( C1 e6 R4 O( k1 S6 L
283.         f.close()
     
284.         #保存图片前
     
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
     $ C2 \6 |# w+ ?  k0 z% V! e$ m
290.         self.save_img(content,imgDir,file_path)
     $ B! K7 y: Y, \9 l0 [9 F
291.     #保存图片
     5 t+ m: r; I: \1 r/ b
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     ( f. j/ ~! S2 ]3 ?# Y+ {4 S
294.             os.makedirs(imgDir)
     8 A# N# s, P, V' Q& r( S6 K' L
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     6 u: n* Q. g2 v& f0 F/ m1 A
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     $ @1 W8 ~2 p. K1 u: q
301.         return extension
     
302.    
     
303.     #获取图片名
     + }- `- I* r1 n7 r  T: V
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     9 d9 c, ]; S" k8 ^
306.         return name

复制代码

0 E4 I" J+ i0 X+ B