爬取直线网爬虫

运用多个模块写了一个爬取直线网ae模板的爬虫,主要用到request和bs4提取数据,base64将百度云地址解码,多线程threading和queue生产与消费关系(异步)访问抓取,并用pymysql将数据导入到mysql数据库中

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date    : 2018-02-25 00:21:54
# @Author  : bb (317716008@qq.com)
# @Word    : python can change world!
# @Version : python3.6

import  requests
from bs4 import BeautifulSoup
import base64
from queue import Queue
from threading import Thread
from time import sleep
import sys
import pymysql


header={'Accept':'text/html,application/xhtml+xm…plication/xml;q=0.9,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate',
'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
'Connection':'keep-alive',
'Cookie':'Hm_lvt_e6d53931d3c448a0325f4c2…a0325f4c254adbf071=1519469796',
'Host':'www.newcger.com',
'Upgrade-Insecure-Requests':'1',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; …) Gecko/20100101 Firefox/58.0'}
q=Queue()

def base64encode(str2):
    encodestr = base64.b64encode(str2.encode('utf-8'))
    print(str(encodestr,'utf-8'))
#base64encode('abcr34r344r')

def basedecode(str2):
    str2=str2+'=='
    a=bytes(str2,'utf-8')
    url=str(base64.b64decode(a),'utf-8')
    print(url)
    return url
#basedecode('aHR0cHM6Ly9wYW4uYmFpZHUuY29tL3MvMWk2WVBoWHo')

def geturl(url2,header):
    conn=pymysql.connect(host='127.0.0.1',port=3306,db='dbname',user='yourname',passwd='yourpassword',charset='utf8')
    cur=conn.cursor()
    sleep(1)
    url="http://www.linecg.com/ae_content_52366.html"
    res=requests.get(url2,params=header).content
    soup=BeautifulSoup(res,"html.parser")
    html=soup.find_all('a')
    name=soup.title.string
    print(name)                     ###名称
    tag_list=set()
    data=soup.find_all('button')
    for i in html:
        #print(i.attrs['href'])
        try:
            tag=i.attrs['href'].split('/')[1]
            if tag =='search':
                tag_list.add(i.string)
        except:
            continue
    for i in data:
        zz=i.attrs['data-url']
        try:   
            zz=basedecode(zz)                 ##云盘地址
            #print(zz)
        except:
            continue
    print(tag_list)                        ##标签

    try:
        print(tag_list)                  #标签
        sql="insert into ae(ae_name,ae_html,ae_zz,ae_tag,web_name) values(%s,%s,%s,%s,%s)"
        cur.execute(sql,(str(name),str(url2),str(zz),str(tag_list),'直线网'))
        conn.commit()
        #new_id = cur.lastrowid
        #print(new_id)
    except Exception as e:
        print(e)
    finally:
        cur.close()
        conn.close()

def gethtml(page,header):
    url='http://www.linecg.com/ae_list_'+str(page)+'_0_0.html#c1'
    res=requests.get(url,params=header).content
    soup=BeautifulSoup(res,"html.parser")
    html=soup.find_all('h2')
    for i in html:
        html2='http://www.linecg.com'+str(i.a.attrs['href'])
        print(html2)
        q.put(html2)


def work():
    #print(q.qsize())
    while q.qsize()>0:
        html2=q.get()
        geturl(html2,header)

def main():
    for i in range(601,670):
        try:
            gethtml(i,header)
        except:
            continue
    for i in range(10):
        sleep(0.1)
        t=Thread(target=work)
        t.start()
        


if __name__ == '__main__':
    main()
©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 216,544评论 6 501
  • 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 92,430评论 3 392
  • 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 162,764评论 0 353
  • 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 58,193评论 1 292
  • 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 67,216评论 6 388
  • 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 51,182评论 1 299
  • 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 40,063评论 3 418
  • 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 38,917评论 0 274
  • 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 45,329评论 1 310
  • 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 37,543评论 2 332
  • 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 39,722评论 1 348
  • 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 35,425评论 5 343
  • 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 41,019评论 3 326
  • 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 31,671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 32,825评论 1 269
  • 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 47,729评论 2 368
  • 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 44,614评论 2 353

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,652评论 18 139
  • 爬虫文章 in 简书程序员专题: like:128-Python 爬取落网音乐 like:127-【图文详解】py...
    喜欢吃栗子阅读 21,752评论 4 412
  • # Python 资源大全中文版 我想很多程序员应该记得 GitHub 上有一个 Awesome - XXX 系列...
    小迈克阅读 2,984评论 1 3
  • 1. 简介 HTTP是位于应用层的一个无状态的协议,默认HTTP的端口号为80,HTTPS的端口号为443。HTT...
    谢朴欢阅读 1,579评论 1 1
  • 今天天气特别凉爽,外面下着时断时续的雨。你在家里时它下得正浓,你出去时,它几乎没下,多么完美的配合。 孩子们很乖,...
    华丽的美丽丽阅读 253评论 0 0