本文实例讲述了Python实现的文轩网爬虫。分享给大家供大家参考,具体如下:
encoding=utf8 import pymysql import time import sys import requests import os #捕获错误 import traceback import types #将html实体化 import cgi import warnings reload(sys) sys.setdefaultencoding('utf-8') from pyquery import PyQuery as pq from lxml import etree sys.setdefaultencoding('utf-8') #屏蔽错误 warnings.filterwarnings("ignore") #下载图片 def dowloadPic(imageUrl,filePath): r = requests.get(imageUrl,timeout=60) status=r.status_code if status == 404: return 404 with open(filePath, "wb") as code: code.write(r.content) #根据详情页地址抓取数据并插入数据库 def getData(final_url): file_open=open('./url.txt', 'w') file_open.write(final_url) file_open.close() #链接数据库 conn = pymysql.connect(host='127.0.0.1', port=3306, user='root', passwd='root', db='bookinfo', charset='utf8') #设置浮标 cursor = conn.cursor(cursor=pymysql.cursors.DictCursor) #解析详情页面 try: detail_url=final_url c=pq(detail_url) head=c('html').attr('xmlns') err='http://www.w3.org/1999/xhtml' err1='http://www.winxuan.com/cms/2016db_sh' if head == err or head == err1: return 'back' except Exception, e: return 'back' i=0 while i<12: text = c('#page').find('.cont').find('li').eq(i).text() text=text.replace(' ','') if 'I S B N' in text: isbn=text.replace('I S B N:','') isbn=isbn.strip() sel='select count(*) from bi_book where isbn ='+isbn cursor.execute(sel) result=cursor.fetchone() count=result['count(*)'] if count != 0 : print u'已存在' return 'back' if 'isbn:' in text : isbn=text.replace('isbn:','') isbn=isbn.strip() sel='select count(*) from bi_book where isbn ='+isbn cursor.execute(sel) result=cursor.fetchone() count=result['count(*)'] if count != 0 : print u'已存在' return 'back' if '作者:' in text : author = text.replace('作者:','') if '出版社:' in text : press_name=text.replace('出版社:','') if '版次:' in text : edition=text.replace('版次:','') if '印次:' in text : impressions=text.replace('印次:','') if '装帧:' in text : packaging=text.replace('装帧:','') if '开本:' in text: size=text.replace('开本:','') if '出版时间:' in text: press_time=text.replace('出版时间:','') press_time=press_time.strip() if press_time == '无': press_time='1970-01-01' if '印刷时间:' in text: print_time=text.replace('印刷时间:','') print_time=print_time.strip() if print_time== '无': print_time='1970-01-01' if '页数:' in text: page_num=text.replace('页数:','') if '字数:' in text: word_num=text.replace('字数:','') i+=1 if ('author' in locals().keys()) == False: author = '' if ('press_time' in locals().keys()) == False: press_time = '1970-01-01' if ('print_time' in locals().keys()) == False: print_time = '1970-01-01' if ('impressions' in locals().keys()) == False: impressions = '' if ('edition' in locals().keys())== False: edition = '' if ('page_num' in locals().keys())== False: page_num = '' if ('word_num' in locals().keys())== False: word_num = '' if ('packaging' in locals().keys())== False: packaging = '' if ('size' in locals().keys())== False: size = '' if ('press_name' in locals().keys())== False: press_name = '' #暂无图片地址 none_img='http://static.winxuancdn.com/goods/sml_blank.jpg' #获取大小图地址 big_path=c('.info-side').find('.img').find('a').find('img').attr('src') if big_path is None: return 'back' elif big_path == none_img : big_path='' small_path='' else : small_path=big_path.replace('_16','_11') #获取分类 #先获取a标签html ahtml=c('#page').find('.base-nav').eq(0).html() #解析a标签html cate=pq(ahtml) #获取分类的最后一个分类 category=cate('a:last').text() #获取书名 name=c('.info-main').find('.name').eq(0).find('h1').eq(0).text() name=name.strip() #获取价格 price=c('.info-main').find('.attr').eq(0).find('.price-n').eq(0).find('b').text() price=price.replace('¥','') #循环获取内容简介和目录信息 k=5 while k<12: title=c('#page').find('.title').eq(k).find('.tab').find('h4').text() if '内容简介' in title: con=c('#page').find('.title').eq(k).nextAll() det=pq(con) content=det('.text-words-1').html() content=content.encode("utf8", "ignore"); if '目录' in title: con=c('#page').find('.title').eq(k).nextAll() dry=pq(con) directory=dry('.text-words-1').html() directory=directory.encode("utf8", "ignore"); k+=1 #如果内容简介和目录没有的时候指定为空字符串 if ('content' in locals().keys())== False: content = '' if ('directory' in locals().keys())== False: directory = '' details = '内容简介<br>'+content+'<br><br>目录<br>'+directory details=cgi.escape(details) #录入时间 add_time = time.strftime('%Y-%m-%d',time.localtime(time.time())) #下载小图 #文件根目录 root_path=sys.path[0] #创建isbn文件夹路径 root_path=root_path.replace('\\','/') isbn_path=root_path+'/download/'+isbn if big_path != '' and small_path !='' : #创建isbn目录 if os.path.isdir(isbn_path) ==False : os.mkdir(isbn_path) #组合下载后图片保存路径 down_img_small = isbn_path+"/small"+isbn+".jpg" down_img_big = isbn_path+'/big'+isbn+".jpg" #调用下载图片方法 small_res=dowloadPic(small_path,down_img_small) #大图保存数据库路径 big_res=dowloadPic(big_path,down_img_big) #小图保存数据库路径 if small_res==404 : img_small = 'none-picture/none-small.jpg' else : img_small = 'download/'+isbn+'/small'+isbn+'.jpg' if big_res==404 : img_big = 'none-picture/none-big.jpg' else : img_big = 'download/'+isbn+'/big'+isbn+'.jpg' else : #组合保存数据库中的图片路径 img_small = 'download/'+isbn+'/small'+isbn+'.jpg' img_big = 'download/'+isbn+'/big'+isbn+'.jpg' else : img_big = 'none-picture/none-big.jpg' img_small = 'none-picture/none-small.jpg' source_type = 3 try : #要插入的列表 li=[0,source_type,category,details,detail_url,price,add_time,packaging,print_time,impressions,name,author,press_name,isbn,edition,size,press_time,page_num,word_num,img_big,img_small] #执行sql sql="insert into bi_book (book_id,source_type,category,details,detail_url,price,add_time,packaging,print_time,impressions,name,author,press_name,isbn,edition,size,press_time,page_num,word_num,img_big,img_small) values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)" aaa=cursor.execute(sql,li) if aaa==1: print u'插入成功' conn.commit() except Exception, e : return 'back' def winxuan(n): #首页解析 home_url='http://www.winxuan.com/' h=pq(home_url) #分类导航链接 menu=h('.mod-mainmenu').find('dd').find('a').eq(n).attr('href') #print menu #分类书籍首页 try: mh=pq(menu) except Exception, e : return 'backs' # text=mh('.main').find('a').text() # text=text.encode("GBK", "ignore"); li=[] u=0 while u<248 : detail_urls=mh('.main').find('a').eq(u).attr('href') #将取到所有地址放入到列表当中 li.append(detail_urls) u+=1 #进行列表去重 li=list(set(li)) for final_url in li: try: result=getData(final_url) except Exception, e : continue if result=='back' : continue print 'OK,finished' n=0 while n<58: while n<58: print n string=str(n) file_open=open('./number.txt', 'w') file_open.write(string) file_open.close() res=winxuan(n) n+=1 if res=='backs' : continue
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
暂无评论...
稳了!魔兽国服回归的3条重磅消息!官宣时间再确认!
昨天有一位朋友在大神群里分享,自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址,com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后,确实是网易的网址,也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情,因为以前都没有出现这样的情况,现在突然提示跳转到国服战网的网址,是不是说明了简体中文客户端已经开始进行更新了呢?
更新日志
2024年11月26日
2024年11月26日
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]