Python--（爬虫与数据库的连接）

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

（每一天都是属于你的！）

Python对于初学后巩固基础的人还是更多的来接触python爬虫会更好一些，在Python爬虫中包含很多基础部分知识，并且在项目中会提升你的成功感！加油！

我在工作之余时间，把Python的爬虫基础内容整理了一下，资料因为太多所以都放在QQ群内了，需要的可以来---607021567。

今天整理了一个两个网站的小说阅读平台的爬虫，将两个网站的小说可按自有的格式抓取下来自动生成txt文件。

项目介绍：

--Python爬虫

--模块：requests，BeautifulSoup，time

--分析：request模块作用于网站的连接与处理，BeautifulSoup作用于源码中的代码分析与抓取，time主要是在我们抓取的过程中加入时间限制（这个主要是应对有网站监控的，这里我们就不需要了）

因为这里没有涉及到数据库相关的操作，所以没有对数据库的相关详细内容，但是我会将Python与mongodb、MySQL、Sqlserver的连接方式的代码会附赠在下面。

一、网页分析：

首先步步分析网页内容：https://www.booktxt.net/6_6453/2529786.html，cookie信息--F12键。

这里面有很多广告，不过可以不用去理它们，首先获取到我们需要的网址：

 # -*- coding:utf-8 -*-

 import requests

 from bs4 import BeautifulSoup

 import time

 def project(url,page):

     #url='http://www.23us.so/files/article/html/1/1809/877404.html' #大主宰

     #url='http://www.23us.so/files/article/html/6/6100/2193573.html' #天下无双

     #url='https://www.booktxt.net/6_6453/2529786.html' #元尊

     headers={"Cookie": "jieqiVisitId=article_articleviews%3D6453; cscpvrich87",

         "Host": "www.booktxt.net",

              "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:60.0) Gecko/20100101 Firefox/60.0",

              "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"}

     r =requests.get(url,headers,timeout=30)

     h = r.content

这里主要使用request模块获取网址的源码，h--就是我们所获取的源码，你可以测试的时候print出来。

二、源码分析

我们这里直接在网页中来查看源码：网页中右键查看源码。

这里我们注意到文本的内容包含在<div id="content">的标签内，所以接下来我们使用bs4来处理。

 soup = BeautifulSoup(h, "html.parser")

 a1 = soup.find('div',class_="bookname").h1

 text_da(a1.get_text().encode('utf-8')+'\n\n\n')

 a = soup.find('div',id='content')

 text_da(a.get_text().encode('utf-8')+'\n\n\n')

每一行分开解释：

1、使用BeautifulSoup模块，其中"html.parser"是模块内置函数，对源码的分析，这样我们就获取到网址的bs4源码。

2、首先是获取小说中的标题，soup.find--是获取源码中第一个div标签class=“bookname”下的h1标签，当前我们获取到h1标签所有内容包括标签，但是我们需要获取到文本内容。

3、获取获得标签内的文本内容--a1.get_text()，这里的encode('utf-8')是将我们获取的内容需要转码，不然是乱码的状态。

4、获取我们主要的文本内容--同理，需要获得文本内容的标签div

5、获得文本内容。

三、分页操作

因为我们浏览的页面会有分页，所有这里也是我们需要注意的地方。

这里的下一章按钮，就是我们的突破点：

  b = soup.find('div',class_='bottem2')

  if b:

      a = b.find_all('a')

      #shuurl = 'http://www.23us.so'+a[-1]['href']

      shuurl = 'https://www.booktxt.net' + a[-2]['href']

      #print shuurl

      page=page+1

      project(shuurl,page)

我们在源码中获取到的下一章的网址位于a标签内。

3行、--我们获取所有的a标签。

5行、a[-2]是获取我们倒数第二个标签也就是我们的下一章标签，【’href‘】--是获得a标签内的href的内容也就是我们的地址，这里需要拼接字符串。

7行、是抓取的注释内容，稍后在源码中你会看到效果

8行、有的小伙伴注意到了，这里是调用函数，函数的名字就是我们一开始定义的函数，就是它自己本身。

四、写入文件

接下来，我们的主要价值数据获取到，但是我们需要它成为txt文件，所以我写了一个函数，在上面的函数体中直接调用就可以了。

 def text_da(text):

     fo = open("foo.txt", "a")

     fo.write(text)

     # 关闭打开的文件

     fo.close()

五、启动函数

最后一步，就是我们的启动程序代码。

 if __name__ == '__main__':

     page=1

     url = 'https://www.booktxt.net/6_6453/2529786.html'  # 元尊

     project(url,page)

这里主要是python的内置函数，作为启动py文件内的函数。

六、源码

哦！忘了源码-----

 # -*- coding:utf-8 -*-

 import requests

 from bs4 import BeautifulSoup

 import time

 def project(url,page):

     #url='http://www.23us.so/files/article/html/1/1809/877404.html' #大主宰

     #url='http://www.23us.so/files/article/html/6/6100/2193573.html' #天下无双

     #url='https://www.booktxt.net/6_6453/2529786.html' #元尊

     headers={"Cookie": "jieqiVisitId=article_articleviews%3D6453; cscpvrich8793_fidx=4; __tins__19219364=%7B%22sid%22%3A%201527749231776%2C%20%22vd%22%3A%204%2C%20%22expires%22%3A%201527751067272%7D; __51cke__=; __51laig__=4; Hm_lvt_6949867c34e7741ebac3943050f04833=1527749232; Hm_lpvt_6949867c34e7741ebac3943050f04833=1527749267; cscpvcouplet8792_fidx=4; cscpvrich8791_fidx=4",

         "Host": "www.booktxt.net",

              "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:60.0) Gecko/20100101 Firefox/60.0",

              "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8"}

     r =requests.get(url,headers,timeout=30)

     h = r.content

     #print h

     soup = BeautifulSoup(h, "html.parser")

     #a = soup.find('dd',id='contents')

     #print a.get_text()

     a1 = soup.find('div',class_="bookname").h1

     text_da(a1.get_text().encode('utf-8')+'\n\n\n')

     a = soup.find('div',id='content')

     text_da(a.get_text().encode('utf-8')+'\n\n\n')

     print '第'+str(page)+'章！'

     #b = soup.find('dd',id='footlink')

     b = soup.find('div',class_='bottem2')

     if b:

         a = b.find_all('a')

         #shuurl = 'http://www.23us.so'+a[-1]['href']

         shuurl = 'https://www.booktxt.net' + a[-2]['href']

         #print shuurl

         page=page+1

         project(shuurl,page)

 def text_da(text):

     fo = open("foo.txt", "a")

     fo.write(text)

     # 关闭打开的文件

     fo.close()

 if __name__ == '__main__':

     page=1

     url = 'https://www.booktxt.net/6_6453/2529786.html'  # 元尊

     project(url,page)

对了！还有Python对于数据库的连接操作，我这里直接就贴源码了，其中很多的内容我都注释了！不懂的可以加群---607021567（需要验证信息，因为我不知道来的是朋友还是敌人）

 # -*- coding:utf-8 -*-

 import pymongo

 from pymongo import MongoClient

 import json

 #MONGODB

 #连接

 client = MongoClient('mongodb://localhost')

 db = client.test

 table='test'

 #db[table].insert({'user_id':2,'name':'zhu'})

 #db[table].update({'name':'zhu'},{'$set':{'user_id':2}})

 #db[table].remove({'name':'zhu'})

 #查询结果排序（key：1或者-1）升序或者降序

 a = db[table].find().sort("user_id",1)

 print a

 for i in a:

     print i

 #db.authenticate('test','test')

 """table = 'imi_product'

 a = db[table].find({'partno':'NEN1FX6'}).limit(1)

 detailList = []

 for i in a:

         if (i.get("specs")):

                 specary = i.get("specs")

                 for i in specary:

                     detailList.append({"left": i, "right": specary[i]})

 print detailList

 for i in detailList:

     print i.get('right')

 #查询和增加

 #db[table].insert({'sn':1,'b':'b'})

 #更改

 #db[table].update({'sn':1},{'$set':{'b':'sda'}})

 #删除

 #删除name=lisi的全部记录

 #db[table].remove({'sn': 1})

 #删除集合里的所有记录

 #db.users.remove()

 #    (>)  大于 - $gt

 #    (<)  小于 - $lt

 #    (>=)  大于等于 - $gte

 #    (<= )  小于等于 - $lte

 #a = db[table]

 #print a.find_one()"""

 #SQLSERVER

 """import pyodbc

 import MySQLdb

 MSSQL_INFO = {"hostname":"localhost","username":"","password":"","dbname":"oneice"}

 strconn= 'DRIVER={SQL Server};SERVER='+MSSQL_INFO.get("hostname")+';DATABASE='+MSSQL_INFO.get("dbname")+';UID='+MSSQL_INFO.get("username")+';PWD='+MSSQL_INFO.get("password")

 db = pyodbc.connect(strconn)

 sqldb = db.cursor()

 #查询

 sql = 'select * from news where news_id=1'

 #添加

 sql ="insert into news (news_title,news_author,news_summary,news_content,news_pic) values ('haha','happy','Iriji','little','12dsa')"

 #删除

 sql ="delete from news where news_id=5"

 sqldb.execute(sql)

 sqldb.commit()

 #查询

 row = sqldb.fetchone()

 print row[1]

 #存储过程

 sqldb.execute("{call 存储过程名字 (参数)}", '上传的参数')

 q = sqldb.fetchone()/fetchall()

 sqldb.commit()

 if q:

     print q[1]"""