Python 浙江新华网爬虫

encoding=utf8

import pymysql
import time
import sys
import requests
import os
import types

将html实体化

import cgi
import urllib2
import warnings

正则

import re
reload(sys)
sys.setdefaultencoding('utf-8')
from pyquery import PyQuery as pq
from lxml import etree

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)
def getData(final_url):
print 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)
#插入数据库来源地址
detail_url=final_url
r=requests.get(final_url)
d=pq(r.content.decode('gbk',"ignore"))
#获取大图地址
none_img='http://images.zxhsd.com/photo/book_m//nologo.gif'
#大图地址前缀
bigtop='http://images.zxhsd.com/photo/book_m'
#小图地址前缀
smalltop='http://www.zxhsd.com/photo/book_m'
big_path=d('.pic').find('a').attr('href')
if big_path is None:
return 'back'
elif big_path == none_img:
big_path=''
small_path=''
else:
small_path=big_path.replace(bigtop,smalltop)
#获取a标签html
ahtml=d('.top').html()
#解析a标签HTML
cate=pq(ahtml)
#获取分类的最后一个分类
#获取最后一个标签必须先获取a标签的HTML解析后才能这样写
category=cate('a:last').text()
#获取书名
name=d('.topbarcon').find('h3').eq(0).text()
i=0
while i<3:
k=0
while k<4:
text=d('.ProductsInfo').find('ul').eq(i).find('li').eq(k).text()
#将获取的内容转换成字符串类型
text=str(text)
#获取isbn
if 'ISBN:' in text:
isbn=text.replace('ISBN:','')
if isbn == None or isbn=='':
return 'back'
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'
#获取价格
if '定价:' in text:
price=text.replace('定价: ¥','')
price=price.replace(' ','').encode('utf8')
if '作者:' in text:
author=text.replace('作者:','')
author=author.strip().encode('utf8')
#print author
if '出版社:' in text:
press_name=text.replace('出版社:','')
press_name=press_name.strip().decode('utf8')
if '页数:' in text:
page_num=text.replace('页数:','')
page_num=page_num.strip().decode('utf8')
if '开 本:' in text:
#开本和包装在一起获取总共数据
cont=text.replace('开 本:','')
cont=cont.replace(' ','')
#获取开本
size=cont[0:5]
#获取包装
packaging=cont.replace(size,'').decode('utf8')
size=size.decode('utf8')
#获取出版时间
#正则匹配 search冲全部字符串中找 match只找第一个
press_res=re.search(r'第\d版', text)
if press_res:
#获取版次
edition=press_res.group()
#要解析成utf8不然乱码和真是字符串不一样替换不了
edition=edition.decode('utf8')
text=text.decode('utf8')
press_time=text.replace(edition,'')
press_time=press_time.strip()

        #获取印刷时间
        #正则匹配 search冲全部字符串中找 match只找第一个
        print_res=re.search(r'第\d次印刷', text)
        if print_res:
            #获取印次
            impressions=print_res.group()
            #要解析成utf8不然乱码和真是字符串不一样替换不了
            impressions=impressions.decode('utf8')
            text=text.decode('utf8')
            print_time=text.replace(impressions,'')
            #截取掉首尾空格
            print_time=print_time.strip() 
        k+=1
    i+=1
if ('isbn' in locals().keys()) == False:
    return 'back'
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 = ''
y=0
while y<8:
    title=d('.t').find('.title').eq(y).text()
    text=str(title)
    if '目录' in text:
        directory=d('.t').find('p').eq(y).html()
        if directory==None:
            directory=''
        else:
            directory=directory.encode("utf8", "ignore")
    if '内容提要' in text:
        content=d('.t').find('p').eq(y).html()
        if content==None:
            content=''
        else:
            #截取掉首尾空格
            content=content.strip()
            content=content.encode("utf8", "ignore")
    y+=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 = ''
if ('content' in locals().keys())== False and ('directory' in locals().keys())== False:
    details=''
else:
    a='内容简介<br>'.encode("utf8", "ignore")
    b='<br><br>目录<br>'.encode("utf8", "ignore")
    details=a+content+b+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 = 5
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,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,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)"
    aaa=cursor.execute(sql,li)
    if aaa==1:
        print u'插入成功'
    conn.commit()

except Exception, e :
    return 'back'

p=3757000

while p<3758429:

p=0
while p<1:
#string=str(p)
home_url="http://www.zxhsd.com/kgsm/ts/2017/03/04/3760868.shtml"
# file_open=open('./number.txt', 'w')
# file_open.write(string)
# file_open.close()
getData(home_url)
p+=1

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,189评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,577评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,857评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,703评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,705评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,620评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,995评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,656评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,898评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,639评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,720评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,395评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,982评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,953评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,195评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,907评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,472评论 2 342

推荐阅读更多精彩内容