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
   ! a; H: }- I2 j/ M6 X
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   $ ]* W$ W% U/ K6 y1 x% e
4. # Project: XiaoShuo
   
5. 
   
6. from pyspider.libs.base_handler import *
   $ C( c% i6 ]( ^% \* M: {
7. import pymysql
   ( y- V* _& b4 Q- s" h
8. import random
   ( u% R* y: Q9 _6 @: }; h
9. import datetime
   * X& Z- O7 R9 z) E- ^
10. import urllib2,HTMLParser,re
    
11. import os
    4 g. R- t8 K" B0 Z# W  y" y( D
12. import sys
    
13. import re
    
14. import codecs
    
15. import requests
    * X5 _9 L4 u+ \; d# _% a) C
16. import json
    
17. 
    2 k% g  M. W3 z6 w0 U0 Z6 c
18. class Handler(BaseHandler):
    
19.     global Datos
    6 X/ O  ]' I# _. f2 x; F5 p" t
20.     global P_dir   
    0 i$ q- @- x# X, s# ~
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    
22.     global Datos
      p6 Y2 c* U' D" W+ R+ z
23.     Datos = {}
    ' c: q# Q0 j2 F; A- F4 W& O
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    # Q3 ]1 T( p* A
26.     'Accept-Encoding':'gzip, deflate, sdch',
    & e! p, F( @$ M' o  G8 H& z
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    7 N* \9 ~4 P! @) H8 h) `% ^9 \3 {
28.     'Cache-Control':'max-age=0',
    
29.     'Connection':'keep-alive',
    ( ~2 D/ W9 k' _3 D4 d
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.     }
    : A- F* y* }7 `, C" G; _& R* s
32.     crawl_config = {
    8 }. m; p# y5 M" i5 g- _
33.         'headers' : headers,
    
34.         'timeout' : 300
    % a4 F. S" F. ~9 Z8 d* F
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")
    9 u9 S) S* V: t' e6 @1 e
38.         try:
    ) o8 p  U, p  U- p0 H; K/ P  z4 ^3 b
39.             cursor = db.cursor()
    " Q5 h, [9 C0 Y; u! O$ I
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)
    3 h1 o' g$ u) j9 T. n
44.             
    . U/ ]. g$ A+ |' F# E# p
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    
47.             
    
48.             db.commit()
    2 r! B$ |) N4 D. t* o
49.         except Exception as err:
    ' A6 P. l0 `! t& `
50.             print("Error %s for execute sql: %s" % (err, sql))
    5 @9 |, i& u" \: b$ N
51.             db.rollback()
    5 f/ u2 Z# ^) x+ h. |& P8 n5 d6 \+ `% j
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    ' c) B5 q7 z! R6 c, \& @" F
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"
    
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    - k+ g5 M6 s! T) @
58. #            print(sql)
    
59.             cursor.execute(sql)
    
60.             
    
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    
63.             
    5 Q$ R6 x; K  w: h
64.             db.commit()
    7 S, Q5 {, b& U
65.         except Exception as err:
    7 @7 Y4 R2 L( ^7 f
66.             print("Error %s for execute sql: %s" % (err, sql))
    5 \# M/ V3 Z9 L1 @. x) f5 a
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")
    - S4 ?; ~* G; I8 A$ _5 b7 G1 u- ~
70.         try:
    ( X8 m8 Z/ l% w/ k. V
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);
    ( [" {" v( N4 i
74.             print(sql)
    
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    
77.             db.commit()
    # N7 T' n! V) r! v  V; e
78.         except Exception as err:
    - {7 e4 z3 a. ~8 k' ]' I; h
79. #        except:
    
80. #            print('Failed')
    4 J4 G' Q2 T/ n9 y; O5 \
81.             print("Error %s for execute sql: %s" % (err, sql))
    
82.             db.rollback()
    
83.         
    
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    : G; w6 x  q0 L, x' _' F$ ~/ P7 n
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 = {
    
89.             'my_u':'用户名',   #后台用户名
    
90.             'my_p':'密码',   #后台密码
    0 S" t" a+ \( `& B
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    1 d6 e4 x5 f( d2 x+ z0 H& ^
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    : K7 `( E# q% {9 D
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,
    / f. y; h9 `, S( {( \7 {8 ^
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     1 O! c0 v& V8 O( @
101.             res = requests.post(locoy_url, data=locoy_data)
     + `+ J- C0 C* V7 T2 j# d% ?& S
102.             print res.text
     
103.             print res.content
     
104. #            print Dsd
     ) P3 H  f) I( u  q7 x* I- {
105.             return res
     
106.    
     
107.     def __init__(self):
     0 \9 M# {* c+ I7 J* _% z' I
108.         self.base_url1 = 'https://www.****.cc/'
     & M" g( E* |3 |
109.         self.base_url2 = '/'
     ! ~+ ^/ m" \2 @  ^' J  r# p
110.         self.CaterId = []
     
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     , ^- [4 T' i& |/ W: r7 X
112.         self.page_num = 1
     3 v/ t9 X$ e1 p& ?' X
113.         self.total_num = 200   
     ( r6 H6 i' x; e4 A$ S! ~
114. 
     % l6 [" e' P# S. i! o7 Q8 f7 k/ ^; C1 a
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     5 I; t- K1 D7 q! S' s/ G
117.         global Cater_Name
     
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     ' B5 h! T( q, [3 E$ P+ G+ y4 O
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     % j8 I0 k( G( U& H) |
124.                     Cater_Name = '武侠'
     6 I9 b/ e9 ~9 p$ f7 a  ~
125.                 if self.CaterId  == 'lishi':
     
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     - X6 m. f3 G; ^6 g. `$ H+ D. e
128.                     Cater_Name = '都市'
     
129.                 if self.CaterId  == 'nvsheng':
     2 ~1 R0 G) W( H
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     * }) L$ U. g4 H9 }5 O
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     : o, c% w" V9 Q$ ?
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
     
139.             
     3 t4 L* Y4 j9 n' m
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
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.             
     
145.     def list_Caterg_detail(self, response):
     - m) A2 f8 U9 u' A3 F0 V7 P  K
146.         Cater_Name = response.save
     ! ^" B. ]4 W2 B, e
147. #        print Cater_Name
     . k6 i0 Y$ d! n6 j9 A
148.         Bookname = response.doc('h1').text()
       Q& j! f. t" p
149.         print Bookname
     3 L. b. y8 [! v$ _/ }/ h
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
153. #        print Book_Introduction
     , m  g" N6 f: t
154.         Book_Synopsis = response.doc('b').eq(1).text()
     
155. #        print Book_Synopsis
     " N9 L" O8 a- G
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
     5 d% a" {  G! D  A
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     ( `, @' b* m1 n' ~
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     6 ?8 `3 b0 |& U2 o  H* a
162.             img = imgs.attr.src
     7 V& K5 |- }* @7 x( Z
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     4 Y* @* Z1 N& T% U1 ?
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     
168.             imgDir = P_dir + name
     , f' S4 b. b* E' u- M  r3 v
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)               #
     $ F( k# U  ~! P$ A
173.             Datos = {
     0 G# N6 [- r, \7 h8 v
174.                     "Cater_Name":Cater_Name,
     
175.                     "Book_author":Book_author,
     0 t; \5 j# L' }  x+ f( Q
176.                     "Book_Introduction":Book_Introduction,
     & Z" h) X( M: _4 y* ?1 V
177.                     "Book_Synopsis":Book_Synopsis,
     ! i$ B8 P0 Z5 p! k
178.                     "Book_Palabras":Book_Palabras,
     + }2 f0 R" s2 I/ a& t
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
     & `. r3 s$ O* J6 l% E& {
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.             
     0 R* r1 \2 _8 g- [- ~
185.     @config(age=8 * 60 * 60)   
     " C" S( v0 G6 B* k2 n5 |- G
186.     def index_page(self, response):
     ( M, Y: H3 e# X: D: n. f
187.         Datos = {
     % W7 ?4 `7 ^3 U5 ]
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'],
     3 F8 o9 o/ \1 r
192.                    "Book_Palabras":response.save['Book_Palabras'],
     ' F3 J- e+ G0 E# L$ c, a! e8 w' `
193.                    "img":response.save['img'],
     " u7 J6 \* L; q1 [# j9 F& E1 f# K2 E
194.                      }
     . k8 g2 s. {0 y0 B! d% K$ I
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():  
     
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
     : n3 l, H/ N: A1 }; s/ U6 ~. V) o
200.     def detail_page(self, response):        
     - a% W6 a4 B5 @/ e& V, y5 Z
201.         NewRe1 = u'哈书'
     8 N) Q! E. l. s) v
202.         NewRe2 = u'huhjsd.CC'
     * v4 G, `' u% ]# I" g  W
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     $ O; h. _# _8 y+ K7 ~7 t4 k
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     8 s  f# F! ^7 \2 o' o
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     
209.         ReC1 = u'静思'
     ! m6 M4 `1 D( a3 \
210.         ReC2 = u'aghgf.com'
     3 \: G9 K# P" _. _  @& |! I/ u
211.         ReC3 = u'aghgfh.com'
     ' r# H' U/ X5 m3 g; m2 b3 C
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     ( s% h6 D8 q; u9 \
214.         ReC6 = r'<BR>'
     5 Y8 t0 R8 Y! J
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     3 E  H( ~' I" f, m: P; F% T7 Y: c; z
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
       G/ I4 \# l8 q
218.         Book_author = response.save['Book_author']   #小说作者
     4 x8 Z" I. [/ a1 Y1 H8 k
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     9 n+ [9 R' q1 \: D/ K/ J2 |
220.         Book_Synopsis = response.save['Book_Synopsis']   #最近更新
     
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     9 @8 S5 r  \/ f
222.         Bookurl = response.url   #小说网址
     ) q, d+ B5 A# f- d
223.         Booktitle = response.doc('.article-title').text()   #章节名称
       c$ T1 o) w6 ?' _7 \# u+ V* H! V5 E
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)
     
227.         Book_Date = str(datetime.datetime.now())    # 采集时间
     * d1 u# w- P% z( p3 F' Q
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     6 K7 H' ~, U) N/ q3 O) t' V) O
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     4 Y( Y, D/ J8 _9 N: c3 }  T3 p) f! b
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     & K! z( T8 g( j6 A- m' m% }
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     ; K3 N3 t( ^4 Z  i. [
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     4 r0 |" B0 l5 l8 G
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     / t' I3 x( [8 x" y; ^- K2 @* a3 Y
242.         Book_img = response.save['img'],  #小说图片
     4 i7 n3 H$ X3 i3 z) _
243.             
     4 F' y0 x  e6 d) ~
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 = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     & `$ M4 G8 ^3 \; K7 W# T
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.                      }
     
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)
     0 ~' g) D  M2 j9 w9 h0 e
259.         return {
     : a. M! z: `; Y0 j, _
260.             "Cater_Name":Cater_Name,
     9 G7 K* A3 f" \% R. d
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     
263.             "Book_Introduction":Book_Introduction,
     4 g( ?2 p: m* i8 o) h$ s# ]
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     8 i) P6 y; a+ a! r# @$ N6 {. H* s( F
266.             "Book_img":Book_img,
     , z  A  C8 }! X/ Z. \: e
267.             "Bookurl": response.url,
     1 t/ }$ U" E) T7 }  e, C) B
268.             "Booktitle": Booktitle,
     5 }5 Q2 M! C. H( ]$ {* w" Z- @3 M+ q
269.             "BookID": BookID,
     6 h- h2 X$ U6 W, o$ ~
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     ) J! {7 N+ S+ z8 x* i* J7 M
272.             "abover":abover,
     
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     # v3 h, [* W* z+ j# y0 j
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     # ~9 h8 ^, k8 k3 j. G9 g
276.         if not os.path.exists(imgDir):
     $ y3 D/ M* g; }& S* k1 h
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     
280.         f = open(file, 'wb+')
     
281.         imag = requests.get(Book_img)
     ' K5 [# D, S: L0 p$ }, c
282.         f.write(imag.content)
     
283.         f.close()
       o2 `  d; H# _# ?; {' @# w9 v/ W
284.         #保存图片前
     
285.     def save_imgs(self,response):
     $ z" o) M8 y# n: `" {* N
286.         content = response.content
     ! t, ~6 {& ^6 u6 F2 |6 B+ B; T* j/ p4 x
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     
289.         file_path = imgDir + file_name
     4 t5 C! L) q' s
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     : g" c9 q, O# N3 ~  f
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     * S+ U( D0 v  }, E% Q0 C0 X: A
294.             os.makedirs(imgDir)
     
295.         f = open(path,"wb" )
     3 P5 b: J, e/ b8 A
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     & R. H8 x& V+ z. [. L7 @
299.     def getExtension(self,url):                           
     1 C  B4 l8 t1 ?; X
300.         extension = url.split(".")[-1]
     
301.         return extension
     3 K7 N* G- i) t5 K' _
302.    
     3 l8 W- p4 F7 ~  p2 `# @, Y
303.     #获取图片名
     
304.     def getname(self,url):
     3 A3 a8 Q4 G7 J1 c8 J
305.         name=url.split("/")[-1].split(".")[0]
     7 ~# h( K. g1 `# |$ h) T5 T
306.         return name

复制代码