58

import requests,random,time,re,os,time,base64,pymysql

from lxmlimport etree

from fontTools.ttLibimport TTFont

from ioimport BytesIO

print('MySQL数据库正在连接,请稍等。。。。。。')

db= pymysql.connect('localhost','root','root','document',charset="utf8")

print('MySQL数据库已经连接!!!!!!')

cursor= db.cursor()

# sql = """CREATE TABLE TongCheng_58(

#            id INT(11) NOT NULL PRIMARY KEY AUTO_INCREMENT COMMENT '自增id' ,

#            pic VARCHAR(200) NOT NULL DEFAULT '0' COMMENT '个人房源图片',

#            title VARCHAR(50) NOT NULL DEFAULT '0' COMMENT '个人房源标题',

#            area VARCHAR(50) NOT NULL DEFAULT '0' COMMENT '个人房源面积户型',

#            site VARCHAR (50) NOT NULL DEFAULT '0' COMMENT '个人房源位置',

#            owner VARCHAR (10)NOT NULL DEFAULT '0' COMMENT '个人房源户主',

#            rent VARCHAR(10) NOT NULL DEFAULT '0' COMMENT '个人房源租金',

#            NewTime INT(11) NOT NULL COMMENT '添加时间戳'

#            )ENGINE=InnoDB AUTO_INCREMENT=1;"""

# cursor.execute(sql)

def readfile(path):# 读取文件的函数

    content= [line.strip()for linein open(path,encoding='utf-8',errors='ignore').readlines()]

return content

def savefile(savepath,content):

    fp= open(savepath,'w+',encoding='utf8',newline="",errors='ignore')

fp.write(content+"\n")

fp.flush()

fp.close()

def make_font_file(base64_string: str):

    bin_data= base64.decodebytes(base64_string.encode())

with open('text.otf','wb')as f:

        f.write(bin_data)

return bin_data

def get_num(string):

    ret_list= []

for charin string:

        decode_num= ord(char)

num= c[decode_num]

num= int(num[-2:])-1

        ret_list.append(num)

return ret_list

proxy_list= readfile("./guoneiip.txt")

type_list= ['驋','龒','龤','閏','麣','鸺','龥','齤','餼','鑶']

for iin range(1,71):

    '''

    实现增量采集数据'''

    arrt_list= set()

db= pymysql.connect('localhost','root','root','document',charset="utf8")

cursor= db.cursor()

sql= '''select pic FROM TongCheng_58;'''

    cursor.execute(sql)

detail_list= cursor.fetchall()

for detailin detail_list:

        arrt_list.add(detail[0])

url= "https://sh.58.com/chuzu/0/pn%s/?"%i

params= {

"PGTID": "0d200001-0000-2b84-5b0c-434a2838407f",

"ClickID": 1

    }

headers= {

'cookie': 'userid360_xml=6FB311888C84FD2806E06F5BFC134B6A; time_create=1548638789422; f=n; commontopbar_new_city_info=2%7C%E4%B8%8A%E6%B5%B7%7Csh; commontopbar_ipcity=zz%7C%E9%83%91%E5%B7%9E%7C0; userid360_xml=6FB311888C84FD2806E06F5BFC134B6A; time_create=1548638826978; id58=lXz2m1wSG4qZ4p2XrOu2bQ==; 58tj_uuid=9c1c17cd-7e6c-4834-9de5-2bc1e69f1a82; wmda_uuid=8738aebd7efa44a76ceff4415086bc68; wmda_new_uuid=1; wmda_visited_projects=%3B2385390625025; als=0; xxzl_deviceid=rUlkmVAAmdK%2BJbB52Ktcl0RRnXXp%2BSBF1%2BF6uJ6ZWImkxwz0RaYbG3wxaklbZLJi; Hm_lvt_dcee4f66df28844222ef0479976aabf1=1546047758; 58home=zz; Hm_lvt_ae019ebe194212c4486d09f377276a77=1546049643; __utma=253535702.374299874.1546049643.1546049643.1546052186.2; __utmz=253535702.1546052186.2.2.utmcsr=sh.58.com|utmccn=(referral)|utmcmd=referral|utmcct=/chuzu/0/; city=sh; XQH=%7B%22w%22%3A%5B%7B%22id%22%3A%221416%22%2C%22t%22%3A1546049642951%7D%2C%7B%22id%22%3A%22640900%22%2C%22t%22%3A1546052186058%7D%2C%7B%22id%22%3A%224457%22%2C%22t%22%3A1546053792454%7D%5D%7D; f=n; wmda_session_id_2385390625025=1546653837624-329993ac-3d85-bbb1; new_uv=9; utm_source=; spm=; init_refer=; new_session=0; ppStore_fingerprint=A535D7FFB241264E2CFD028A12FE5681C96D5C5942516A17%EF%BC%BF1546655183289; defraudName=defraud; xzfzqtoken=NrUwlbhCtDaY1eIbK9LBowg6t1qQyebl%2FwFCjnRhQV67gWcXgodkSuoS7M6hVFecin35brBb%2F%2FeSODvMgkQULA%3D%3D',

'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'

    }

proxy= random.choice(proxy_list)

response= requests.get(url,params=params,headers=headers,proxies={"http": "http://"+proxy},timeout=5)

time.sleep(3)

print(response.url)

response.encoding= response.apparent_encoding

print("第 %s 页正常采集!--%s--" % (i,response.encoding))

print("*"*100)

if response.status_code== 200:

        response.raise_for_status()

html= response.content.decode("utf-8")

pattern= re.compile(r"'data:application/font-ttf;charset=utf-8;base64,(.*?)'", re.I)

base64_list= pattern.findall(html)

base64_str= "".join(base64_list)

bin_data= make_font_file(base64_str)

font= TTFont(BytesIO(bin_data))

font.saveXML("text.xml")

font= TTFont(BytesIO(make_font_file(base64_str)))

uniList= font['cmap'].tables[0].ttFont.getGlyphOrder()

c= font['cmap'].tables[0].ttFont.tables['cmap'].tables[0].cmap

comment= etree.HTML(html)

page_count= len(comment.xpath('//ul[@class="listUl"]/li'))

for iin range(1, page_count):

            xml= '//ul/li[%s]/' % i

pic_list= comment.xpath(xml+ 'div[1]/a/img/@lazy_src')

pic= "".join(pic_list).strip("/ ")

if picnot in arrt_list:

                print(pic+ "----------------数据没在数据库里!---------------")

print("*"*100)

title= ''

                title_list= comment.xpath(xml+ "div[2]/h2/a[1]/text()")

title_str= "".join(title_list).strip()

for linein title_str:

                    if linenot in type_list:

                        title+= line

else:

                        line= get_num(line)[0]

title+= str(line)

area= ''

                area_list= comment.xpath(xml+ "div[2]/p[1]/text()")

area_str= "".join(area_list).strip().replace(" ","")

for linein area_str:

                    if linenot in type_list:

                        area+= line

else:

                        line= get_num(line)[0]

area+= str(line)

site_list= comment.xpath(xml+ "div[2]/p[2]//text()")

site= "".join(site_list).strip().replace("\n",'').replace(" ","")

owner_list= comment.xpath(xml+ "div[2]/p[3]/text()")

owner= "".join(owner_list).strip().lstrip(":")

rent= ''

                rent_list= comment.xpath(xml+ "div[3]/div[2]/b/text()")

rent_str= " ".join(rent_list).strip()

for linein rent_str:

                    if linenot in type_list:

                        rent+= line

else:

                        line= get_num(line)[0]

rent+= str(line)

rent= rent+ "元/月"

                NewTime= int(time.time())

print(pic)

print(title)

print(area, site)

print(owner, rent)

print("*" * 100)

try:

                    insert_color= (

"INSERT INTO TongCheng_58(pic,title,area,site,owner,rent,NewTime)" "VALUES (%s,%s,%s,%s,%s,%s,%s)")

data_color= (pic, title, area, site, owner, rent, NewTime)

cursor.execute(insert_color, data_color)

db.commit()

except Exception as ex:

                    print(Exception,":", ex)

db.rollback()

else:

                print(pic+ "================已经在数据库里==============")

print("-"*100)

©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 219,589评论 6 508
  • 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 93,615评论 3 396
  • 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 165,933评论 0 356
  • 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 58,976评论 1 295
  • 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 67,999评论 6 393
  • 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 51,775评论 1 307
  • 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 40,474评论 3 420
  • 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 39,359评论 0 276
  • 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 45,854评论 1 317
  • 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 38,007评论 3 338
  • 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 40,146评论 1 351
  • 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 35,826评论 5 346
  • 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 41,484评论 3 331
  • 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 32,029评论 0 22
  • 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 33,153评论 1 272
  • 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 48,420评论 3 373
  • 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 45,107评论 2 356

推荐阅读更多精彩内容