2017.08.17 Python爬虫实战之BS4获取起点小说信息

标签：中文   [1]   sql数据库   搜索   ***   complete   png   order   values   

1.目标分析：

（1）打开起点中文网，搜索所有完本小说：

原始的网址是这样的：http://a.qidian.com/?action=1&orderId=&page=1&style=1&pageSize=2&siteid=4&hiddenField=3

界面是这样的：

修改网址中的参数，观察不同效果：

 再修改参数style试试：

（2）查看页面源代码：

2.项目实施：

 （1）创建远程数据库以及表：

CREATE TABLE `qiDianBooks` (
`id` INT(11) NOT NULL AUTO_INCREMENT,
`categoryName` CHAR(20) NOT NULL,
`bookName` CHAR(20) NOT NULL,
`wordsNum` CHAR(10) NOT NULL,
`updateTime` CHAR(20) NOT NULL,
`authorName` CHAR(20) NOT NULL,
PRIMARY KEY (`id`)
)
ENGINE=InnoDB;

（2）编写把数据保存到远程mysql数据库的文件：save2mysql.py

#! /usr/bin/env python
#-*- coding:utf-8 -*-

import MySQLdb

class SavebookData(object):
    def __init__(self,items):
        self.host=‘*********‘
        self.port=3306
        self.user=‘crawlUSER‘
        self.passwd=‘*******‘
        self.db=‘bs4DB‘
        self.run(items)

    def run(self,items):
        conn=MySQLdb.connect(host=self.host,port=self.port,user=self.user,passwd=self.passwd,db=self.db,charset=‘utf8‘)
        cur=conn.cursor()
        print(u‘连接成功‘)
        for item in items:
            cur.execute("INSERT INTO qiDianBooks(categoryName,bookName,wordsNum,updateTime,authorName)  VALUES (%s,%s,%s,%s,%s)",
                        (item.categoryName.encode(‘utf8‘),item.bookName.encode(‘utf8‘),item.wordsNum.encode(‘utf8‘),item.updateTime.encode(‘utf8‘),item.authorName.encode(‘utf8‘)))
        cur.close()
        conn.commit()
        conn.close()

if __name__ == ‘__main__‘:
    pass

（3）编写主程序文件completeBook.py文件：

#! /usr/bin/env python
#-*- coding:utf-8 -*-

from bs4 import BeautifulSoup
import urllib2
import re
import codecs
import time
from mylog import MyLog as mylog
from save2mysql import SavebookData

class BookItem(object):
    categoryName=None  #小时类型
    middleUrl=None
    bookName=None  #小说名
    wordsNum=None  #总字数
    updateTime=None  #更新时间
    authorName=None  #作者

class GetBookName(object):
    def __init__(self):
        self.urlBase=‘http://a.qidian.com/?action=1&orderId=&style=2&page=1‘
        self.log=mylog()
        self.pages=self.getPages(self.urlBase)
        self.booksList=[]
        self.spider(self.urlBase,self.pages)
        self.pipelines(self.booksList)
        self.log.info(‘begin save data to mysql \r\n‘)
        SavebookData(self.booksList)
        self.log.info(‘save data to mysql end......\r\n‘)

    def getPages(self,url):
        htmlContent=self.getResponseContent(url)

        soup=BeautifulSoup(htmlContent,‘lxml‘)
        tags=soup.find(‘ul‘,attrs={‘class‘:‘lbf-pagination-item-list‘})
        strUrl=tags.find_all(‘a‘)[-2].get(‘href‘)
        self.log.info(strUrl)
        self.log.info(strUrl.split(‘&‘))
        for st in strUrl.split(‘&‘):
            self.log.info(st)
            if re.search(‘page=‘,st):
                pages=st.split(‘=‘)[-1]
                self.log.info(u‘获取页数为：%s‘ %pages)
                return int(pages)

    def getResponseContent(self,url):
        try:
             response=urllib2.urlopen(url.encode(‘utf8‘))
        except:
             self.log.error(u‘python 返回 URL:%s 数据失败‘ %url)
        else:
             self.log.info(u‘Python 返回URL:%s A数据成功‘ %url)
             return response.read()

    def spider(self,url,pages):
        urlList=url.split(‘=‘)

        self.log.info(urlList)
        for i in xrange(1,pages+1):
            urlList[-1]=str(i)
            newUrl=‘=‘.join(urlList)
            self.log.info(newUrl)
            htmlContent=self.getResponseContent(newUrl)
            soup=BeautifulSoup(htmlContent,‘lxml‘)
            tags=soup.find(‘div‘,attrs={‘class‘:‘main-content-wrap fl‘}).find(‘div‘,attrs={‘class‘:‘all-book-list‘}).find(‘tbody‘).find_all(‘tr‘)
            self.log.info(tags[0])

            for tag in tags:
                tds=tag.find_all(‘td‘)
                self.log.info(tds)

                item=BookItem()
                item.categoryName=tds[0].find(‘a‘,attrs={‘class‘:‘type‘}).get_text()+tds[0].find(‘a‘,attrs={‘class‘:‘go-sub-type‘}).get_text()
                item.middleUrl=tds[0].find(‘a‘,attrs={‘class‘:‘type‘}).get(‘href‘)
                item.bookName=tds[1].find(‘a‘,attrs={‘class‘:‘name‘}).get_text()

                item.wordsNum=tds[3].find(‘span‘,attrs={‘class‘:‘total‘}).get_text()
                item.updateTime=tds[5].get_text()
                item.authorName=tds[4].find(‘a‘,attrs={‘class‘:‘author‘}).get_text()
                self.log.info(item.categoryName)
                self.booksList.append(item)
                self.log.info(u‘获取书名为<<%s>>的数据成功‘ %item.bookName)




    def pipelines(self,bookList):
        bookName=u‘起点中文网完本小说.txt‘.encode(‘GBK‘)
        nowTime=time.strftime(‘%Y-%m-%d %H:%M:%S \r\n‘,time.localtime())
        with codecs.open(bookName,‘w‘,‘utf8‘) as fp:
            fp.write(‘run time :%s‘ %nowTime)
            for item in self.booksList:
                fp.write(‘%s \t %s \t\t %s \t %s \t %s \r\n‘ %(item.categoryName,item.bookName,item.wordsNum,item.updateTime,item.authorName))

                self.log.info(u‘将书名为<<%s>>的数据存入"%s".....‘ %(item.bookName,bookName.decode(‘GBK‘)))



if __name__ == ‘__main__‘:
    GBN=GetBookName()

（4）运行结果：
数据库保存的数据

文本保存的数据：

2017.08.17 Python爬虫实战之BS4获取起点小说信息

标签：中文   [1]   sql数据库   搜索   ***   complete   png   order   values   

原文地址：http://www.cnblogs.com/hqutcy/p/7383968.html