Python爬虫:爬取小说并存储到数据库

时间:2022-09-18 16:15:09


爬取小说网站的小说,并保存到数据库


第一步:先获取小说内容

#!/usr/bin/python# -*- coding: UTF-8 -*-

import urllib2,re

domain = 'http://www.quanshu.net'
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
}

def getTypeList(pn=1): #获取分类列表的函数
    req = urllib2.Request('http://www.quanshu.net/map/%s.html' % pn) #实例将要请求的对象
    req.headers = headers  #替换所有头信息
    #req.add_header() #添加单个头信息
    res = urllib2.urlopen(req)   #开始请求
    html = res.read().decode('gbk')  #decode解码,解码成Unicode
    reg = r'<a href="(/book/.*?)" target="_blank">(.*?)</a>'
    reg = re.compile(reg) #增加匹配效率  正则匹配返回的类型为List

    return re.findall(reg,html)

def getNovelList(url):  #获取章节列表函数
    req = urllib2.Request(domain + url)
    req.headers = headers
    res = urllib2.urlopen(req)
    html = res.read().decode('gbk')
    reg = r'<li><a href="(.*?)" title=".*?">(.*?)</a></li>'
    reg = re.compile(reg)
    return re.findall(reg,html)

def getNovelContent(url):  #获取章节内容
    req = urllib2.Request(domain + url)
    req.headers = headers
    res = urllib2.urlopen(req)
    html = res.read().decode('gbk')
    reg = r'style5\(\);</script>(.*?)<script type="text/javascript">style6\(\)'
    return re.findall(reg,html)[0]


if __name__ == '__main__':
    for type in range(1,10):
        for url,title in getTypeList(type):
            for zurl,ztitle in getNovelList(url):
                print u'正则爬取----%s' %ztitle
                content = getNovelContent(url.replace('index.html',zurl))
                print content
            break
        break


执行后结果如下:

Python爬虫:爬取小说并存储到数据库




第二步:存储到数据库

1、设计数据库

1.1 新建库:novel

Python爬虫:爬取小说并存储到数据库


1.2 设计表:novel

Python爬虫:爬取小说并存储到数据库


1.3 设计表:chapter

Python爬虫:爬取小说并存储到数据库


并设置外键

Python爬虫:爬取小说并存储到数据库




2、编写脚本

#!/usr/bin/python# -*- coding: UTF-8 -*-import urllib2,reimport MySQLdbclass Sql(object):    conn = MySQLdb.connect(host='192.168.19.213',port=3306,user='root',passwd='Admin123',db='novel',charset='utf8')    def addnovels(self,sort,novelname):        cur = self.conn.cursor()        cur.execute("insert into novel(sort,novelname) values(%s , '%s')" %(sort,novelname))        lastrowid = cur.lastrowid        cur.close()        self.conn.commit()        return lastrowid    def addchapters(self,novelid,chaptername,content):        cur = self.conn.cursor()        cur.execute("insert into chapter(novelid,chaptername,content) values(%s , '%s' ,'%s')" %(novelid,chaptername,content))        cur.close()        self.conn.commit()domain = 'http://www.quanshu.net'headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"}def getTypeList(pn=1): #获取分类列表的函数    req = urllib2.Request('http://www.quanshu.net/map/%s.html' % pn) #实例将要请求的对象    req.headers = headers  #替换所有头信息    #req.add_header() #添加单个头信息    res = urllib2.urlopen(req)   #开始请求    html = res.read().decode('gbk')  #decode解码,解码成Unicode    reg = r'<a href="(/book/.*?)" target="_blank">(.*?)</a>'    reg = re.compile(reg) #增加匹配效率  正则匹配返回的类型为List    return re.findall(reg,html)def getNovelList(url):  #获取章节列表函数    req = urllib2.Request(domain + url)    req.headers = headers    res = urllib2.urlopen(req)    html = res.read().decode('gbk')    reg = r'<li><a href="(.*?)" title=".*?">(.*?)</a></li>'    reg = re.compile(reg)    return re.findall(reg,html)def getNovelContent(url):  #获取章节内容    req = urllib2.Request(domain + url)    req.headers = headers    res = urllib2.urlopen(req)    html = res.read().decode('gbk')    reg = r'style5\(\);</script>(.*?)<script type="text/javascript">style6\(\)'    return re.findall(reg,html)[0]mysql = Sql()if __name__ == '__main__':    for sort in range(1,10):        for url,title in getTypeList(sort):            lastrowid = mysql.addnovels(sort, title)            for zurl,ztitle in getNovelList(url):                print u'正则爬取----%s' %ztitle                content = getNovelContent(url.replace('index.html',zurl))                print u'正在存储----%s' %ztitle                mysql.addchapters(lastrowid,ztitle,content)


3、执行脚本

Python爬虫:爬取小说并存储到数据库


4、查看数据库

Python爬虫:爬取小说并存储到数据库


Python爬虫:爬取小说并存储到数据库

可以看到已经存储成功了。




报错:

_mysql_exceptions.OperationalError: (1364, "Field 'novelid' doesn't have a default value")


解决:执行sql语句

SELECT @@GLOBAL.sql_mode;

SET @@GLOBAL.sql_mode="NO_ENGINE_SUBSTITUTION";


Python爬虫:爬取小说并存储到数据库


报错参考:http://blog.sina.com.cn/s/blog_6d2b3e4901011j9w.html





本文出自 “M四月天” 博客,请务必保留此出处http://msiyuetian.blog.51cto.com/8637744/1931102