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
   ( z$ T! S( @' ]
2. # -*- encoding: utf-8 -*-
   2 [" K: M. X  B$ r: H* t: j3 s: W- E
3. # Created on 2019-05-05 21:43:11
   0 y. L- R! x" {( c% `- K
4. # Project: XiaoShuo
   ( c  x- g" t  m) n% `, T! F) P
5. 
   
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   4 k2 ~% i. F" f; T1 I" ^
8. import random
   
9. import datetime
   ; |2 m- k1 S$ L% {/ n
10. import urllib2,HTMLParser,re
    , v- g' _& h+ s, K
11. import os
    4 V+ }5 A4 Y" ]$ }
12. import sys
    0 Y6 @$ E/ L; n0 A" E
13. import re
    : I5 k  a! ]8 G% B& C% P
14. import codecs
    
15. import requests
    : o; M) B( D0 U
16. import json
    
17. 
    : s0 Z2 @0 n& ]+ v! r$ E$ z2 [
18. class Handler(BaseHandler):
    4 B! i7 M+ J* D' i# M1 x
19.     global Datos
    
20.     global P_dir   
    ' Z( m: g, K" d
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    6 [- A, s! [9 d2 i7 f6 A
22.     global Datos
    
23.     Datos = {}
    
24.     headers= {
    1 g8 u9 |" E5 K  g
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',
    1 M! J/ \9 P. S$ A
28.     'Cache-Control':'max-age=0',
    2 M  K4 _3 P4 K$ T  |) I
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.     }
    
32.     crawl_config = {
    
33.         'headers' : headers,
    ! j' I- ?6 j1 v1 ?) P
34.         'timeout' : 300
    2 y5 }* l  G+ _% s; m+ ^
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    # z% x" M7 j( T8 ^& d
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()
      l4 R6 D% o# h# G) M
40.             #注意此处字符串的占位符要加双引号"%s"
    1 t' ?. B, H. K1 W
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)
    8 H  ^. {4 [2 Y  ~! x( D
44.             
    
45.             #qid = cursor.lastrowid
    / Z8 I* ?9 `; M8 X
46.             #print(qid)
    
47.             
    
48.             db.commit()
    5 u! J' a, V6 S7 B
49.         except Exception as err:
    0 A& V2 Y, s- I, o$ w) F
50.             print("Error %s for execute sql: %s" % (err, sql))
    
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()
    # q7 R: B5 a9 @; g2 H: p. G% N
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)
    5 B3 Z. g" f. @. c
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    7 t0 E1 ^+ V: N- w  q/ G
63.             
    ' {' U) _7 U* q
64.             db.commit()
    # {% _* A8 A. S6 ^+ S
65.         except Exception as err:
    
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):
    - [" |' D1 k6 k) j; o
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    0 w* _* y& R1 ?0 ]7 K! k% T
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);
    
74.             print(sql)
    
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    1 @1 a2 Z2 H8 C' v6 k+ Z
79. #        except:
    
80. #            print('Failed')
    % g( t" l  A1 }9 g) _
81.             print("Error %s for execute sql: %s" % (err, sql))
    * z' }. m7 @! g% F% g" u( i, u
82.             db.rollback()
    
83.         
    4 w; G0 r4 O) O. H7 N. ?! p
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    # g* q' }4 R& t7 z/ l6 O
85.             reload(sys)
    
86.             sys.setdefaultencoding("gbk")
    & [$ C) @6 T5 v' D+ l
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
    2 c+ F* q7 d1 S0 [8 F
90.             'my_p':'密码',   #后台密码
    
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    ; V) R0 M+ `  b0 O, i
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    ; E1 h5 M" a4 P' O& o+ s  b
94.             'article':BookConte.encode('gbk', 'ignore'),
    3 {; ~3 \) J/ Z1 @6 x) |$ j
95.             'author':Book_author.encode('gbk', 'ignore'),
    
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    " ]" S: E: h/ [/ i* @
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     
103.             print res.content
     ' o% S2 @) N! @. d: x: q4 l
104. #            print Dsd
     
105.             return res
     8 V7 ]0 R6 B( r5 W
106.    
     0 p  Z" ^! S+ }) S) Z( \* s
107.     def __init__(self):
     ; R' }$ P/ H) M
108.         self.base_url1 = 'https://www.****.cc/'
     $ Q2 m8 ~4 F9 _6 b
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   
     8 J! |( f" U. k3 R& H7 W, T  `
114. 
     
115.     @every(minutes=8 * 60)
     % o! |7 `# H9 S& k& D
116.     def on_start(self):
     
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     9 ~$ V1 b# E$ b8 E" z: ]
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     9 P2 J& W& u1 p- q) n) G( x( f+ H
123.                 if self.CaterId  == 'wuxia':
     / K% b! a3 t" b/ I& i
124.                     Cater_Name = '武侠'
     3 [3 q- g7 T* l9 H
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     " }9 w' G4 H* k' L+ I, l3 E# n
128.                     Cater_Name = '都市'
     , E  k' x+ }( i" y& m- z) K  t
129.                 if self.CaterId  == 'nvsheng':
     " i' a) Q' Z3 ?5 _+ {
130.                     Cater_Name = '都市'
     9 |$ C8 R$ d( U3 F, e! G
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     
135.                 print self.CaterId
     1 @" h7 r+ u/ n1 \& _
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
     
139.             
     
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     ; j" H0 T, L# W; @
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     7 \9 {6 I4 T9 S* J; v
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     5 {# c" b9 @0 b0 _9 r4 a
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     / O' P4 _4 R+ C# l8 i4 Q" L
149.         print Bookname
     
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     ! g: r  H* j- t# p- c4 x% x
153. #        print Book_Introduction
     
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]
     ( @/ F$ S) h/ }6 T# @& s
157. #        print Book_Palabras
     * w9 |$ t9 j( H
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     . r; A2 ~) o& a3 u4 `
159. #        print BookIDs
     1 T$ Z' u" H3 y: X, [8 x
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     , G5 s3 {  {/ y: u( C
162.             img = imgs.attr.src
       @; ?3 `2 X; w0 s* f
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     " j) E$ l2 B2 |; e" |' w4 |. D
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     ; h7 {% z0 C& k) b# |
168.             imgDir = P_dir + name
     ; w9 ~, S4 b! R" R& W4 ?0 r. r
169.             Locaimg = imgDir + "/" + file_name
     # G( z# y! [" N# R- F; [& m7 t
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
     " F7 v' G+ j, T  U+ K
172.                 print('attachment url is ' + img)               #
     . \! d, i% K9 n/ |; C) w2 a
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     3 ^6 J+ u& N! L' p& \
176.                     "Book_Introduction":Book_Introduction,
     # y; `0 f& b" {; c) K/ h6 n+ _! a
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     4 K1 V. ~+ k- t; @7 O- ]
180.                 }
     3 H# C9 Y7 @) k/ N/ A
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():
     : q# [) i9 W! I$ {# [9 p  ?) t
183.             self.crawl(each.attr.href, callback=self.index_page,save=Datos)
     1 Q) N3 B( F& {. E
184.             
     
185.     @config(age=8 * 60 * 60)   
     ( R# e5 R8 M! r) i  n
186.     def index_page(self, response):
     ( z% h9 x' ^3 d2 a
187.         Datos = {
     , B4 g2 {# u3 z* O8 M2 H
188.                   "Cater_Name":response.save['Cater_Name'],
     
189.                    "Book_author":response.save['Book_author'],
     3 F/ e- l5 r7 E
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     9 I, B, Q! G6 F7 e. z4 h- j+ c
192.                    "Book_Palabras":response.save['Book_Palabras'],
     + z6 z* F5 p$ _& F1 _" Z
193.                    "img":response.save['img'],
     ; w/ S9 [2 u2 C/ V# f) M/ G
194.                      }
     & u# A. Z, u% @0 @" i  i
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     ! w+ d' E) ^% F+ H$ Y3 ^. [$ {
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     , o$ g7 H- |' M% Z
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     9 h; d! r' B% I7 Q1 t: B
199.     @catch_status_code_error
     0 e: P# J& S! s
200.     def detail_page(self, response):        
     
201.         NewRe1 = u'哈书'
       z0 r9 A- h- B* L# M- n5 T
202.         NewRe2 = u'huhjsd.CC'
     2 G& x0 ]+ Z" P8 k0 [& R  z" J2 |
203.         NewRe3 = r'^\\n\\n'
     - O4 m2 a# ~' g! f% k# d
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     6 {1 f( j( h/ h* D- I  }0 N
206.         NewRe7 = u'fgfgf'
     ( ]5 N6 }  ]6 t5 f' m  i
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     , _: e" \% F  a) a
211.         ReC3 = u'aghgfh.com'
     0 y5 h7 ?( e+ P' }4 o
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     # m6 ^& H4 o8 P: z. |$ k# b: J! l4 Y
214.         ReC6 = r'<BR>'
     
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     : f5 {6 I: S& B) C  Y
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
     2 @6 e  l* z  H! i: D( ]* z
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
     
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)
     # U6 g  |+ Q4 v/ q: e
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     % W' U2 S( S$ f5 U: b' o
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     6 W. m4 ?3 l7 o7 F$ c( h* l  T1 D
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)
     % _7 S  n) A& Q) @
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     & n+ l# G0 o+ D2 N
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     * \$ b4 i4 _. m+ X  A2 ]
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     - x6 o3 o( L. P9 z8 G+ R
242.         Book_img = response.save['img'],  #小说图片
     
243.             
     
244.         #insert into MySQL 小说入库
     & L+ ^' T* `4 b4 c. f
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
       ~, P- U; Q7 l! _/ W7 r
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
     7 u" e2 W( q0 q( ?
247.         #post提交发布
     0 w- g6 W# p( ~/ F  ~; `2 z2 D& R
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
     - M: B( z, ?' n. W& z- `, x5 S
249.         Datos = {
     ! s4 W! _6 D8 H& F' a! t
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     2 i7 f5 o0 w, N. P
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'],
     
256.                      }
     7 a- \$ X2 U7 T( q" z
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)
     : D5 o9 {' D  v( v: h) }& P
259.         return {
     
260.             "Cater_Name":Cater_Name,
     6 W& m* _: U. A
261.             "Bookname":Bookname,
     8 K, X2 N" i6 |, V+ T) V1 J) t
262.             "Book_author":Book_author,
     / Y$ n8 c( B- I0 v1 Q) k
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     % r* G8 v0 ^/ m% |' r2 w
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     
267.             "Bookurl": response.url,
     
268.             "Booktitle": Booktitle,
     5 S8 A) G. K! m8 ~) B  H3 }2 l  Q
269.             "BookID": BookID,
     
270.             "BookConte": BookConte,
     7 ^: K: c: t/ u
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     2 j9 u/ p4 w: R; B% h" R1 o
273. #            "Book_Date" = str(datetime.datetime.now()),
     ' N6 m5 m. @  u7 t# v; ]; W
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     
277.             os.makedirs(imgDir)
     2 e! ~, v1 R) B$ y  j' c
278.         file = imgDir + "/" + file_name
     2 q5 n2 r0 R) r5 }
279. #        print file
     / r& f" u" N1 E" I% w: @* X0 b
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     " O# e" B; f; a* M0 A3 o/ J' P
282.         f.write(imag.content)
     
283.         f.close()
     & L1 S& X$ X% M( [7 K* J
284.         #保存图片前
     4 Y$ R: L' {0 r
285.     def save_imgs(self,response):
     
286.         content = response.content
     
287.         file_name = response.save["file_name"]
     # ]2 I" r- c1 E9 }
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     
290.         self.save_img(content,imgDir,file_path)
     : ~" H5 g' M( C- z: n
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
     " [6 _, i! q2 {; t* c
295.         f = open(path,"wb" )
     * u, Z" c& s, O7 q6 |
296.         f.write(content)
     
297.         f.close()
     # B  x6 j" W" L5 |2 T
298.     #获取url后缀名
     2 q- I0 `) o. c% x5 T# c" V
299.     def getExtension(self,url):                           
     - `' J* h, _) s0 |2 v" I
300.         extension = url.split(".")[-1]
     * }2 S/ `, w8 H; H+ N( I, f. f4 C
301.         return extension
     
302.    
     
303.     #获取图片名
     / ~5 w+ @9 f' `8 b0 {4 ]
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     " \) l. D( _, i0 e8 O% k# U
306.         return name

复制代码