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
   
2. # -*- encoding: utf-8 -*-
   
3. # Created on 2019-05-05 21:43:11
   $ n! {! N3 I/ Z; z# L3 r
4. # Project: XiaoShuo
   5 k& U- \- Q8 |6 T
5. 
   & a" S( t7 f% u7 n2 A+ k: T* @5 B
6. from pyspider.libs.base_handler import *
   
7. import pymysql
   5 `+ b3 ?6 r3 t1 K3 y& U9 m- D6 K
8. import random
   & C3 c* o+ S) E. e/ Z
9. import datetime
     l/ g- e0 l. D- q7 V; F
10. import urllib2,HTMLParser,re
    
11. import os
    
12. import sys
    
13. import re
    . ~% V' F! `( s* X0 w
14. import codecs
    
15. import requests
    8 u+ V7 r' `  K: I
16. import json
    
17. 
    
18. class Handler(BaseHandler):
    
19.     global Datos
    
20.     global P_dir   
    
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',
    8 w; G4 Q% I, ?4 L" X" F
26.     'Accept-Encoding':'gzip, deflate, sdch',
    
27.     'Accept-Language':'zh-CN,zh;q=0.8',
    
28.     'Cache-Control':'max-age=0',
    
29.     'Connection':'keep-alive',
    : e2 v' i) @. o) V) W/ \
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'
    0 o0 V3 U# I3 J+ F
31.     }
    
32.     crawl_config = {
    + u6 p2 I) Z/ H; h% ]# l) e7 E& Y: `
33.         'headers' : headers,
    5 U& ~) i; E' k
34.         'timeout' : 300
    
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")
    
38.         try:
    
39.             cursor = db.cursor()
    2 e: S- R2 X4 x) C0 y3 D2 d; [" o
40.             #注意此处字符串的占位符要加双引号"%s"
    ) p4 s5 i5 a" V& {! M( ^
41.             sql = 'insert into BookFile(Bookname, BookID, img, Locaimg, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, BookIDs, img, Locaimg, Book_Dates);
    ; E  N, {  o+ Q4 H  V
42. #            print(sql)
    
43.             cursor.execute(sql)
    
44.             
    / P9 {: l$ A. k) ~
45.             #qid = cursor.lastrowid
    
46.             #print(qid)
    1 P7 K* S% B' D% T* r/ Q: E  o4 n1 o8 X
47.             
    
48.             db.commit()
    . I) l2 I# Z, Y
49.         except Exception as err:
    * v, @' r4 d5 Y% A
50.             print("Error %s for execute sql: %s" % (err, sql))
    0 B: w) S! a3 K; r0 H( k
51.             db.rollback()
    
52.     def add_comment(self,Bookname, Booktitle, BookID, Titleid, Book_Date):
    ( B% o# c+ K! Z1 O9 m- V& V" C
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()
    0 s+ H5 d9 g0 v3 G/ N* d
56.             #注意此处字符串的占位符要加双引号"%s"
    / ?( B: c9 e7 {6 Q: H) t
57.             sql = 'insert into BookTitle(Bookname, Booktitle, BookID, Titleid, Book_Date) values ("%s","%s","%s","%s","%s")' % (Bookname, Booktitle, BookID, Titleid, Book_Date);
    5 u- H: D, b( O( o' y7 G
58. #            print(sql)
    
59.             cursor.execute(sql)
    & h% O, ^5 J1 I& O
60.             
    
61.             #qid = cursor.lastrowid
    8 L! H3 c" C' y
62.             #print(qid)
    
63.             
    
64.             db.commit()
    
65.         except Exception as err:
    4 I/ ~. K2 e  C
66.             print("Error %s for execute sql: %s" % (err, sql))
      E; p! N) l+ H9 F. C7 l
67.             db.rollback()
    & `- n: Z; o/ `
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")
    
70.         try:
    & Y. Y! J' i" W( ]+ @9 C& g. q" t. d
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);
    # p7 x: X# P( j5 q& N: z" w" @; s* W
74.             print(sql)
    
75.             cursor.execute(sql)
    / z( X3 r5 J- @5 L
76.             print(cursor.lastrowid)
    
77.             db.commit()
    6 u& ^1 i9 H- i( z  h
78.         except Exception as err:
    - {6 B, K- |$ e5 d
79. #        except:
    , E8 Q6 E+ {  Z- }2 C) H/ i
80. #            print('Failed')
    
81.             print("Error %s for execute sql: %s" % (err, sql))
    & D# v) N- u2 i9 v- S
82.             db.rollback()
    1 j2 ~8 o8 D) ~6 P; ?( Z9 d* ~
83.         
    ( g6 l/ @; a- k  E! G1 G+ z2 }
84.     def add_locoy(self,Bookname,Cater_Name,Book_author,Book_Introduction,Book_Palabras,Book_img,Booktitle,BookConte,abover):
    
85.             reload(sys)
    7 k( C# k. C8 z6 N/ B
86.             sys.setdefaultencoding("gbk")
    & ]& s/ D) ?5 m6 _. x
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
    8 h) f  ^& _8 |, U
90.             'my_p':'密码',   #后台密码
    8 S: R* K6 X7 \* M' Z
91.             'subject_669977_net':Bookname.encode('gbk', 'ignore'),
    
92.             'caid':Cater_Name.encode('gbk', 'ignore'),
    
93.             'title_669977_net':Booktitle.encode('gbk', 'ignore'),
    + t1 K+ ?4 M7 m0 o
94.             'article':BookConte.encode('gbk', 'ignore'),
    
95.             'author':Book_author.encode('gbk', 'ignore'),
    . o" `9 ?4 Z& w$ W" Q
96.             'ready_1':Book_Palabras.encode('gbk', 'ignore'),
    : T2 i2 R9 Z7 B3 F8 q9 o7 M
97.             'thumb':Book_img,
    ( u0 v- v9 F' N! H* q! r/ l7 w
98.             'content':Book_Introduction.encode('gbk', 'ignore'),
    & ]: b3 p/ w4 h
99.             'abover':abover.encode('gbk', 'ignore')           
    
100.                 }
     & Y- C  N5 `: `/ L
101.             res = requests.post(locoy_url, data=locoy_data)
     0 f$ c. S9 E1 `, @1 b
102.             print res.text
     1 `  T7 Y5 H9 q# D: \6 G; Y
103.             print res.content
     # L9 f' v3 [$ g  C$ o" c/ K0 q# {# G
104. #            print Dsd
     
105.             return res
     7 r9 L, E  v4 ]. q; v
106.    
     7 V2 s& `; x4 R1 V  i
107.     def __init__(self):
     
108.         self.base_url1 = 'https://www.****.cc/'
     ) m' q' h. @3 A
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   
     % L) P- B) c6 Q
114. 
     * P& n) D$ L7 R" U
115.     @every(minutes=8 * 60)
     3 e2 n! F0 Q" t( P8 V+ o: {& [" H7 O
116.     def on_start(self):
     2 c) }  @6 Q' K# X% }8 W
117.         global Cater_Name
     
118.         Cater_Name = []
     ! X( z* V% n! I8 p" h6 \, t
119.         while self.page_num <= self.total_num:
     
120.             for self.CaterId in self.CaterIds:
     , I  v& h5 O' x3 Y" Q
121.                 if self.CaterId  == 'xuanhuan':
     ) Q: V; k0 L4 t& V/ {# W
122.                      Cater_Name = '玄幻'
     
123.                 if self.CaterId  == 'wuxia':
     
124.                     Cater_Name = '武侠'
     
125.                 if self.CaterId  == 'lishi':
     " X; j* y/ f9 `7 ~% k. c# v" a) v
126.                     Cater_Name = '历史'            
     
127.                 if self.CaterId  == 'yanqing':
     
128.                     Cater_Name = '都市'
     4 |4 m( K1 A6 n
129.                 if self.CaterId  == 'nvsheng':
     
130.                     Cater_Name = '都市'
     $ C  d/ Y5 R5 F
131.                 if self.CaterId  == 'kehuan':
     
132.                     Cater_Name = '科幻'
     4 h0 L* T& b# \8 o. {' V1 ?! H/ A
133.                 if self.CaterId  == 'kongbu':
     
134.                     Cater_Name = '游戏'
     - r( k, i5 l0 [9 Y! r$ _/ u' a
135.                 print self.CaterId
     
136.                 url = self.base_url1 + str(self.CaterId) + self.base_url2 + str(self.page_num) + "/"         
     & |  S  d2 M* k% S
137.                 self.crawl(url, callback=self.list_Caterg,save=Cater_Name)
     , I; o) V3 c( \- t
138.             self.page_num += 1
     
139.             
     3 A+ U6 n( L& h
140.     def list_Caterg(self, response):
     
141.         Cater_Name = response.save
     
142.         for each in response.doc('.pic-list a[href^="http"]').items():
     % s9 V/ d; ~) ]* \: [9 g
143.             self.crawl(each.attr.href, callback=self.list_Caterg_detail,save=Cater_Name)
     
144.             
     
145.     def list_Caterg_detail(self, response):
     4 t4 E6 E. J+ E1 J; ]" [  h$ D& Q
146.         Cater_Name = response.save
     5 z2 [$ @) h- a
147. #        print Cater_Name
     
148.         Bookname = response.doc('h1').text()
     5 k2 [* d2 t0 q
149.         print Bookname
     5 |0 i& s7 S* x4 D8 J; Q
150.         Book_author = response.doc('.authorname > a').text()
     
151. #        print Book_author
     9 X* F2 v4 c. U9 y7 u; h
152.         Book_Introduction = response.doc('.book-intro > div').text()
     
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]
     5 e( P- k* i* L+ c% P* i
157. #        print Book_Palabras
     
158.         BookIDs = response.url.split("xiaoshuo/")[-1].split("/")[0]   #小说ID
     ( m  l) E1 A) \) ^- n' S$ U/ U
159. #        print BookIDs
     
160.         Book_Dates = str(datetime.datetime.now())         
     
161.         for imgs in response.doc('.bigpic > img[src^="http"]').items():
     1 i% L- `$ g! {/ H. D# ?2 a+ c
162.             img = imgs.attr.src
     % C) E. ?) S% I1 s
163.             print img
     ( h& q+ S- i9 d% u3 c  r
164.                 #小说封面下载
     & G! f3 q' k; d' n2 K. u# a
165.             extension = self.getExtension(img)
     , ~$ K" l) u0 R- Q. ^+ I
166.             name = self.getname(img)
     
167.             file_name = name + "." + extension
     / ~' r: e6 F* v0 ^
168.             imgDir = P_dir + name
     : l- y1 \( w7 Z+ P! ~$ N- P+ H
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)               #
     ( y3 e( t9 B- S: l/ \; y
173.             Datos = {
     
174.                     "Cater_Name":Cater_Name,
       I. }* h3 n; j5 l, m
175.                     "Book_author":Book_author,
     
176.                     "Book_Introduction":Book_Introduction,
     8 {7 ~! I7 y% k8 t* O# e9 s
177.                     "Book_Synopsis":Book_Synopsis,
     
178.                     "Book_Palabras":Book_Palabras,
     
179.                     "img":img,
     
180.                 }
     ! ~5 h& P# A' z4 V' X
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)
     
184.             
     
185.     @config(age=8 * 60 * 60)   
     
186.     def index_page(self, response):
     
187.         Datos = {
     1 x$ a  z0 N1 D& u
188.                   "Cater_Name":response.save['Cater_Name'],
     ( E% B$ |' `8 B$ z) M" K( P$ q
189.                    "Book_author":response.save['Book_author'],
     2 V) x. }! ?0 V
190.                    "Book_Introduction":response.save['Book_Introduction'],
     
191.                    "Book_Synopsis":response.save['Book_Synopsis'],
     8 w2 W* `/ a2 k( s. b' _
192.                    "Book_Palabras":response.save['Book_Palabras'],
     
193.                    "img":response.save['img'],
     . F. \: v9 r7 G$ u( }
194.                      }
     # S1 Y) B  c; H- S: C( |
195.         for each in response.doc('.chapter-list li:first-child a[href^="http"]').items():
     & d* b8 C' D; ~8 z) ]( y) b
196. #        for each in response.doc('.chapter-list  a[href^="http"]').items():  
     $ g$ b! s+ q% O6 l8 @
197.                     self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
198.     @config(priority=2)
     
199.     @catch_status_code_error
     3 h% T( e% T* q; _% f% R
200.     def detail_page(self, response):        
     9 X& `5 P) M) [- ]; o& y" Z
201.         NewRe1 = u'哈书'
     
202.         NewRe2 = u'huhjsd.CC'
     
203.         NewRe3 = r'^\\n\\n'
     
204.         NewRe5 = u'小说网'
     / P) W; n7 l$ u+ @3 ^
205.         NewRe6 = u'fgdfgf'
     
206.         NewRe7 = u'fgfgf'
     
207.         NewRe8 = u'ffhgf'
     7 O; O# U: h% B  V, F$ S
208.         NewRe4 = r'[\f\t\v+\.\{\（\）\}\!\/_,$%^*(+"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+'
     ( v7 B/ L1 r; p$ F- f& {; _$ V
209.         ReC1 = u'静思'
     
210.         ReC2 = u'aghgf.com'
     
211.         ReC3 = u'aghgfh.com'
     
212.         ReC4 = u''
     
213.         ReC5 = u'文学网'
     ) _1 O7 x" ?2 i9 O& o, C( V
214.         ReC6 = r'<BR>'
     0 {4 }$ q4 G2 N0 }( c5 L& i8 G5 ~
215.         Bookname = response.doc('.readlocation a').eq(2).text()   #小说名称
     
216.         print Bookname
     4 r' m  v5 a+ e
217.         Cater_Name = response.save['Cater_Name']   # 小说分类
     ; }$ |; Z5 R5 {1 L. a! e
218.         Book_author = response.save['Book_author']   #小说作者
     
219.         Book_Introduction1 = response.save['Book_Introduction']   #小说简介
     ' u# L% V; ]7 ?0 Q
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
     + P7 k( C5 N1 ?3 N2 L& G% B
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
     9 g! N0 g. g( N( N) {+ Y, L3 s# Z
228.         BookConte2 = BookConte1.replace(NewRe1 , ReC1)
     ) h4 C7 Y; I, \& ?) m
229.         BookConte3 = BookConte2.replace(NewRe2 , ReC2)
     ! j; W  V1 y+ g4 ?" S- f% n" }
230.         BookConte5 = BookConte3.replace(NewRe5 , ReC5)
     
231.         BookConte6 = BookConte5.replace(NewRe6 , ReC2)
     " i( g0 i$ Q2 e% y# f& B" y5 H5 [. ]
232.         BookConte7 = BookConte6.replace(NewRe7 , ReC2)
     
233.         BookConte8 = BookConte7.replace(NewRe3 , ReC6)
     
234.         BookConte4 = re.sub(NewRe4 , ReC4 , BookConte8)
     ) @1 d( J3 ]0 @) ^; s
235.         BookConte = BookConte4.replace("\n\n","<br>")
     
236.         print BookConte
     9 `! `; E# m; N2 Z, K* S
237.         Book_Introduction2 = Book_Introduction1.replace(NewRe1 , ReC1)
     
238.         Book_Introduction3 = Book_Introduction2.replace(NewRe2 , ReC2)
     % z7 _" V+ U8 o" S5 \, [# H; `- o
239.         Book_Introduction4 = Book_Introduction3.replace(NewRe3 , ReC3)
     
240.         Book_Introduction = re.sub(NewRe4 , ReC4 , Book_Introduction4)
     # q1 a! I: N! }3 t
241.         Titleid = response.url.split(BookID + "/")[-1].split("/")[0]     
     : V# W3 s5 h' T- @4 e
242.         Book_img = response.save['img'],  #小说图片
     
243.             
     3 N  E7 U1 F- p# @. b4 a" g* o, L
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
     ; I6 l; u" H. N3 q. e1 e- c
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
     3 V% X6 l4 `# X+ C0 }/ E6 E7 R2 l
247.         #post提交发布
     - C6 b6 U5 H7 @" L6 w
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'],
     7 p0 y- a  l; i0 ~
252.                    "Book_Introduction":response.save['Book_Introduction'],
     
253.                    "Book_Synopsis":response.save['Book_Synopsis'],
     
254.                    "Book_Palabras":response.save['Book_Palabras'],
     9 u  t! ^9 \7 X# e
255.                    "img":response.save['img'],
     
256.                      }
     5 i/ q8 c; Y+ N5 Y
257.         for each in response.doc('.articlebtn > a:nth-child(4)[href*="/xiaoshuo"]').items():
     % Z1 I% o% o/ r5 {
258.             self.crawl(each.attr.href, callback=self.detail_page,save=Datos)
     
259.         return {
     - m, o/ v. X/ ~! F
260.             "Cater_Name":Cater_Name,
     
261.             "Bookname":Bookname,
     
262.             "Book_author":Book_author,
     $ l9 R) t" O/ I9 u; B4 F
263.             "Book_Introduction":Book_Introduction,
     , z" l0 B1 D9 F
264.             "Book_Synopsis":Book_Synopsis,
     ' X+ o  N* O+ n% n- G5 i9 h$ L
265.             "Book_Palabras":Book_Palabras,
     
266.             "Book_img":Book_img,
     $ @5 T+ p& `# B
267.             "Bookurl": response.url,
     ! m& ]% b" g/ O& h8 G
268.             "Booktitle": Booktitle,
     
269.             "BookID": BookID,
     ( C3 ^% O& h6 M
270.             "BookConte": BookConte,
     
271.             "Titleid": Titleid,
     
272.             "abover":abover,
     6 b/ m- k% I2 O" O
273. #            "Book_Date" = str(datetime.datetime.now()),
     
274.         }
     ! d! f0 P9 ^  [$ L7 k
275.     def download(self, P_dir, imgDir, file_name, Book_img):
     
276.         if not os.path.exists(imgDir):
     0 i! Y4 ?! a2 ^% B5 _/ Y
277.             os.makedirs(imgDir)
     
278.         file = imgDir + "/" + file_name
     
279. #        print file
     7 |# O, E9 ~9 p6 m3 I
280.         f = open(file, 'wb+')
     + A; f2 _( K3 k! N9 \
281.         imag = requests.get(Book_img)
       ?7 s2 k! C7 Y
282.         f.write(imag.content)
     
283.         f.close()
     - x/ j+ a- ~9 Y# Q" o. V
284.         #保存图片前
     
285.     def save_imgs(self,response):
     6 H' r* A9 I4 w) P2 k2 }( t' M
286.         content = response.content
       e2 K2 ?4 v- }( u( u& t
287.         file_name = response.save["file_name"]
     & D# B+ U  S8 Z4 X
288.         imgDir = response.save["imgDir"]
     + L& H- n. z! g, M
289.         file_path = imgDir + file_name
     9 W2 }- R- a# |# A0 t7 F: f& f
290.         self.save_img(content,imgDir,file_path)
     
291.     #保存图片
     1 l9 W' C+ C6 e4 Y; U- L
292.     def save_img(self,content,imgDir,path):
     
293.         if not os.path.exists(imgDir):                        
     
294.             os.makedirs(imgDir)
       z1 ?+ h$ ?- Z# F( c4 K: C
295.         f = open(path,"wb" )
     
296.         f.write(content)
     
297.         f.close()
     
298.     #获取url后缀名
     
299.     def getExtension(self,url):                           
     
300.         extension = url.split(".")[-1]
     
301.         return extension
     ; J5 }! I* J; C: o
302.    
     
303.     #获取图片名
     
304.     def getname(self,url):
     . G0 B5 T/ d: {
305.         name=url.split("/")[-1].split(".")[0]
     
306.         return name

复制代码

* H3 l* U$ e- y) V. }