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！
; W; k5 }1 |1 h1 a

1. #!/usr/bin/env python
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   
4. # Project: XiaoShuo
   3 F0 s5 y" ^" v  f+ {6 }8 I1 t
5. 
   
6. from pyspider.libs.base_handler import *
   & ?3 h. c& Y1 ?; x9 P
7. import pymysql
   
8. import random
   
9. import datetime
   
10. import urllib2,HTMLParser,re
    
11. import os
    % I0 d& T0 v# Q0 D$ q
12. import sys
    . }$ a3 L( w, p1 j9 |1 U# o0 M
13. import re
    
14. import codecs
    4 V" P% k- b$ a; J, n* I: L, d" S
15. import requests
    ' d: m' o$ u7 Q6 A+ z/ C
16. import json
    
17. 
    
18. class Handler(BaseHandler):
    ; A: c1 x) B8 i( j
19.     global Datos
    ; Z9 M) Q7 N7 k2 x
20.     global P_dir   
    : M. K0 L. J: @# m' T; z6 L
21.     P_dir = '/Tools/Debug/'  #采集时候图片保持到本地的路径
    6 Y. j$ X$ n7 \3 \( y0 ?- h
22.     global Datos
    
23.     Datos = {}
    6 D* _6 [, o) a4 U- ^* a
24.     headers= {
    
25.     'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    6 \) v$ b3 Q3 h8 _
26.     'Accept-Encoding':'gzip, deflate, sdch',
    3 Q5 k( F8 f! ?+ M
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    7 a$ v) P) E- c! @& |
28.     'Cache-Control':'max-age=0',
    6 Y$ E7 ~+ U1 U
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'
      p; v1 c9 |; M* e. b& s
31.     }
    
32.     crawl_config = {
    
33.         'headers' : headers,
    4 I3 F+ y$ M& }* v
34.         'timeout' : 300
    8 _: B4 n/ R3 b: B5 K
35.     }
    
36.     def add_BookFile(self,Bookname, BookIDs, img, Locaimg, Book_Dates):
    6 E: ~& G- ]" c1 \' H1 a# i
37.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    1 m" x9 Z$ e) G$ n
38.         try:
    
39.             cursor = db.cursor()
    8 o' U* o; p0 E6 j
40.             #注意此处字符串的占位符要加双引号"%s"
    * U- r* x4 p9 t9 T5 v
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)
    6 m' M+ n) f' S' p. {
44.             
    
45.             #qid = cursor.lastrowid
    / w: b" G3 i3 u# ?. D4 I8 Q
46.             #print(qid)
    $ }# `$ Z7 H7 E+ ?
47.             
    ! w+ b' L2 F1 l+ h
48.             db.commit()
    
49.         except Exception as err:
    
50.             print("Error %s for execute sql: %s" % (err, sql))
    
51.             db.rollback()
    4 t( G- }+ }& T
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")
    9 |) }' ^6 e6 c# y1 |
54.         try:
    ( a: w& o3 b7 N% D. v' l
55.             cursor = db.cursor()
    
56.             #注意此处字符串的占位符要加双引号"%s"
    , p) Q+ h! B. a2 Q: D8 y! w5 }
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    , }+ M, h- c; H: F! ]
58. #            print(sql)
    " y2 l9 d8 L! o8 ~" x9 S
59.             cursor.execute(sql)
    0 g# G# m3 r& o2 C, B9 ^
60.             
    - p; L1 o+ V- l! f: Q2 g
61.             #qid = cursor.lastrowid
    
62.             #print(qid)
    
63.             
    
64.             db.commit()
    
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):
      k, K/ T+ A. ~! F7 G$ q  p  B
69.         db = pymysql.connect(host="localhost",user="数据库用户名",password="密码",db="数据库名",charset="utf8")
    ; n- z! @; C+ \- q7 u" z
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)
    ( b2 E' S% ^& B; d# T2 r% M* A& t
75.             cursor.execute(sql)
    
76.             print(cursor.lastrowid)
    
77.             db.commit()
    
78.         except Exception as err:
    
79. #        except:
    + e& y5 o' {  Z+ q' C
80. #            print('Failed')
    4 Z; N( W. \* ]# V
81.             print("Error %s for execute sql: %s" % (err, sql))
    % R! t! D8 I6 W" V! ]0 W- h
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)
    $ @. z- X8 W# |# s+ F5 ?8 i; e
86.             sys.setdefaultencoding("gbk")
    
87.             locoy_url = 'http://www.******.net/locoy/?my=book'  #697火车头发接口地址
      \: X, M, L1 Y* s; ]) g
88.             locoy_data = {
    
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'),
    " b7 w8 ~6 m7 R% {) k. z- t
94.             'article':BookConte.encode('gbk', 'ignore'),
    8 R' T; U( m% a
95.             'author':Book_author.encode('gbk', 'ignore'),
    ( r9 M; L2 g( _5 E. f3 t$ w: R; ?
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    
97.             'thumb':Book_img,
    $ a  p& `! p! Y- j4 h  d3 R8 O, d) w
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    
99.             'abover':abover.encode('gbk', 'ignore')           
    4 F/ [  E. Z2 b
100.                 }
     6 k- B) N$ Z7 N# k5 D7 v3 F
101.             res = requests.post(locoy_url, data=locoy_data)
     
102.             print res.text
     % J& {& x# n! H, U9 w* _
103.             print res.content
     
104. #            print Dsd
     9 l! n, L' S7 ]) H1 r5 L( L
105.             return res
     
106.    
     
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     7 R; }! G. i. z0 @" S
109.         self.base_url2 = '/'
     3 [4 D4 P, b$ j% G5 h1 ^
110.         self.CaterId = []
     # k5 o* V2 g. J( T
111.         self.CaterIds = ['xuanhuan', 'wuxia', 'yanqing', 'lishi', 'kehuan', 'kongbu', 'nvsheng']
     ( i3 ]$ E+ g5 Q7 Q0 t- [- E
112.         self.page_num = 1
     
113.         self.total_num = 200   
     ! z# k- n% j9 z+ _2 J" @( I
114. 
     8 S" i6 a- a& c' i/ V
115.     @every(minutes=8 * 60)
     
116.     def on_start(self):
     5 R0 B; t# [- Z" Y6 n
117.         global Cater_Name
     3 ~* H+ f* |1 m$ d! y7 N
118.         Cater_Name = []
     
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     6 {* {/ V- e- Y' Z0 ^& {0 h1 J
121.                 if self.CaterId  == 'xuanhuan':
     
122.                      Cater_Name = '玄幻'
     & r8 C% R& H0 G+ \8 N9 H' n
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     1 c) v- ?+ B( F* V
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     9 a4 y- A$ C  Q6 M
128.                     Cater_Name = '都市'
     3 J6 k' `3 W  n
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     
131.                 if self.CaterId  == 'kehuan':
     - W' _9 Q9 N) A8 L7 L
132.                     Cater_Name = '科幻'
     
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     " B" I3 C! j! f& t
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     # k- L- ~% o! m/ h. n9 ?5 @
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     1 g! |- W, ]. D2 }9 c$ |! Y
138.             self.page_num += 1
     
139.             
     2 M# L& P& o) g% _. y* j3 j
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     4 d1 F* p* |5 T: a5 R
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     8 Y% H: O0 _0 X( r9 n3 y
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     9 d, D% u$ b/ W$ Z8 y
144.             
     
145.     def list_Caterg_detail(self, response):
     
146.         Cater_Name = response.save
     
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     7 Z: ~' F2 k# K+ ^  R- j
149.         print Bookname
     
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
     " T' a4 `# Y4 r8 g3 H, z
154.         Book_Synopsis = response.doc('b').eq(1).text()
     1 p! _, T* y% _1 d3 J1 G
155. #        print Book_Synopsis
     + b% T0 u2 L& @* b
156.         Book_Palabras = response.doc('.booktitle p').text().split(' ')[1].split('|')[0]
     8 Q0 \6 O$ [" C) [" [
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     2 Q0 J- B9 p+ |% Z$ r. ^2 J
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     1 [5 F+ r8 }+ S* ]
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     
162.             img = imgs.attr.src
     ) p+ L, i) u2 u1 ~6 X- d
163.             print img
     
164.                 #小说封面下载
     
165.             extension = self.getExtension(img)
     - g) B5 U& M% D( t& k2 K
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     6 g) S7 _  @; ~& _8 d
168.             imgDir = P_dir + name
     
169.             Locaimg = imgDir + "/" + file_name
     ; a) x, o4 ?, k0 a! I* J
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)               #
     - d1 R' h% A8 K" u* J. v5 a
173.             Datos = {
     / \6 Z7 ~3 G; N6 {7 ~/ H. L6 T
174.                     "Cater_Name":Cater_Name,
     / b8 y  k3 G9 P0 [/ H2 W" A1 J
175.                     "Book_author":Book_author,
     # c4 C& K- g) S6 m# |* Q" H
176.                     "Book_Introduction":Book_Introduction,
     / o" B& |& Z0 g- J
177.                     "Book_Synopsis":Book_Synopsis,
     
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)
     9 @8 l1 q- w6 ]7 v0 A  g
184.             
     
185.     @config(age=8 * 60 * 60)   
     7 z7 F3 x0 k# O0 g" P
186.     def index_page(self, response):
     $ U$ l( A: n( `# T4 N; S8 u3 ]
187.         Datos = {
     
188.                   "Cater_Name":response.save['Cater_Name'],
     2 X1 z0 L. ^# f2 B
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'],
     4 K) j7 s( M/ A( L4 e8 K" k! t- O
193.                    "img":response.save['img'],
     0 Y  j2 [6 N) w' O
194.                      }
     + F( H5 A4 ^4 m! X8 B; U
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     2 n/ r6 T+ M/ t% l1 S
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     # X" v. [3 h, M
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     2 c' Q; x. ?% F8 L& i
198.     @config(priority=2)
     
199.     @catch_status_code_error
     
200.     def detail_page(self, response):        
     2 Q, C! u* |. q9 X, j  H" J8 [! ]
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     ' i9 [* b. J6 v2 C+ A% X6 ~
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     
205.         NewRe6 = u'fgdfgf'
     5 i& B3 d. B6 v8 J! |" Q
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     " `* y- z3 n) I# I9 t. Y8 M
209.         ReC1 = u'静思'
     8 U7 E5 I5 V: u; F
210.         ReC2 = u'aghgf.com'
     5 s$ ~% H  G1 w
211.         ReC3 = u'aghgfh.com'
     2 s+ A2 M# h: C# G* m3 W0 O+ i
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     3 y9 ?! w7 d5 \1 B( T' G
214.         ReC6 = r'<BR>'
     $ D) H( D0 J4 K' ?, Z0 O6 U' Y
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     ! ]) B3 p) p. d/ i% Y
216.         print Bookname
     - m! ^5 [5 x2 ~& I5 t  a; t  R
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
     % f' A& c9 |" g6 R8 Q1 o! c0 ]
221.         Book_Palabras = response.save['Book_Palabras']   #小说字数
     7 @2 m) n, s' X  x  l) D% j# K
222.         Bookurl = response.url   #小说网址
     ( B/ H6 i; R& X% U, \% F7 c2 J
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
     0 i' n7 w# l+ ]8 C( K
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)
     
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     # q) m( X5 u# a- w9 \) l0 ?
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     4 \+ |% r' C6 z! C2 _
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     * T, P4 }& T' v& _
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     & d7 Q  m4 P6 j3 _1 K. ?4 ]
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     # C0 h8 e& V. t& O
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     ' m# S& E! U: k: t; y
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.             
     ' G7 H" Y, W2 r9 u: t' J1 Q6 b
244.         #insert into MySQL 小说入库
     . j' t& q' r, M% e/ a
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
     8 s8 S2 ]2 m: I$ F
249.         Datos = {
     
250.                   "Cater_Name":response.save['Cater_Name'],
     
251.                    "Book_author":response.save['Book_author'],
     
252.                    "Book_Introduction":response.save['Book_Introduction'],
       S8 ]3 W" e1 I" o' F$ U" O1 M
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     + u5 Y; e- B, `% d% R1 ]
254.                    "Book_Palabras":response.save['Book_Palabras'],
     * v  b# O7 Z/ p9 V! o! i
255.                    "img":response.save['img'],
     & {; \9 ]5 N3 u& y8 ]
256.                      }
     
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     ) Z8 O/ J$ k* Q# D1 c
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     ; n+ B4 ^; C0 J7 X
259.         return {
     
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     9 N& o# ?: H9 M
263.             "Book_Introduction":Book_Introduction,
     
264.             "Book_Synopsis":Book_Synopsis,
     
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     / D$ B  C" }' f$ d9 }: r
267.             "Bookurl": response.url,
     / V/ T, H: O- O. ^  ^
268.             "Booktitle": Booktitle,
       `( {: X! ^2 C5 L4 E
269.             "BookID": BookID,
     ' V' s* W% o" ^2 G/ I0 w! x
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     - t, n: e2 \: U
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     6 s2 W2 B3 t, x) Q
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     / ]% A! K. j2 b# A8 O9 s3 s% k2 G
279. #        print file
     
280.         f = open(file, 'wb+')
     / D4 N' ^* M  d# S% U
281.         imag = requests.get(Book_img)
     
282.         f.write(imag.content)
     
283.         f.close()
     
284.         #保存图片前
     
285.     def save_imgs(self,response):
       q! W5 ?% d7 ?& h' ^6 {
286.         content = response.content
     8 z' k/ l0 d4 |2 r$ t- Z' f( d
287.         file_name = response.save["file_name"]
     
288.         imgDir = response.save["imgDir"]
     5 a5 R" d. Y! Y' q1 T8 U
289.         file_path = imgDir + file_name
     % I3 Q% y2 l  S8 a
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     - c9 w& g7 h# e# v9 \, {
294.             os.makedirs(imgDir)
     : ^$ S; D/ B! x. U! ]+ R2 T
295.         f = open(path,"wb" )
     
296.         f.write(content)
     , e# s3 P% t/ E, B6 x6 D/ J
297.         f.close()
     ; N7 K9 I- u* c4 u, v. @. s
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     + ^# w: \6 W0 Y  P
301.         return extension
     
302.    
     
303.     #获取图片名
     
304.     def getname(self,url):
     
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

+ V, @; X/ ]4 N9 d& w

5 @8 \; k9 Q/ t* H% ~& z% u! i) m( ?