def create_more(self, rows, ac_id):
for i in range(1, 750):
row = ACcommentsInfoPO()
now_id = str(ac_id - i)
row.set_id(now_id)
row.set_url(ACFUN_URL + now_id)
row.set_type("类型未知")
row.set_title("标题不详")
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
rows.append(row)
def create_more(self, rows, ac_id):
for i in range(1, 750):
row = ACcommentsInfoPO()
now_id = str(ac_id - i)
row.set_id(now_id)
row.set_url(ACFUN_URL + now_id)
row.set_type("类型未知")
row.set_title("标题不详")
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
rows.append(row)
def create_more(self, rows, id):
for i in range(1, 50):
row = ACcommentsInfoPO();
now_id = str(id - i);
row.set_id(now_id);
row.set_url(ACFUN_URL + now_id);
row.set_type("秘密");
row.set_title("秘密");
row.set_up("秘密");
row.set_post_time("1992-06-17 01:02:03");
rows.append(row);
def get_refresh_data(self, buf):
rows = []
for item in buf:
row = ACcommentsInfoPO()
row.set_type("秘密")
row.set_id(str(item))
row.set_url(ACFUN_URL + str(item))
row.set_title("秘密")
row.set_up("秘密")
row.set_post_time("1992-06-17 01:02:03")
rows.append(row)
self.ACCommentsInfo.insert(rows)
return rows
def parse(self, src):
max_id = 0 # max_id这个字段用来查询更多的投稿
now = 0
rows = [] # front_urlData
for data in src:
try:
row = ACcommentsInfoPO() # 保存一篇投稿抓取的内容
# 获取投稿类型
if data[0][0:5] == "/v/ac":
row.set_id(data[0][5:])
row.set_type("视频")
elif data[0][0:5] == "/a/ac":
row.set_id(data[0][5:])
row.set_type("文章")
elif data[0][0:5] == "/v/ab":
# 番剧的id和其他不一样，加负号以示区别
row.set_id("-" + data[0][5:])
row.set_type("番剧")
else:
continue
# 获取acid和url
row.set_url(ACFUN + data[0])
# max_id这个字段用来查询更多的投稿，比如我从首页获取的最大投稿是ac190000，那么一会我会多抓去ac188900到ac190000的评论信息
if max_id < int(data[0][5:]):
max_id = int(data[0][5:])
# 到了解析title的时候了，A站的title写的很不规范，以下是我们需要分析的几种情况
# 情况1 什么都有，开工的时候要注意标题后面的两种冒号： title="标题: 抗战烽火孕育新中国国歌 《义勇军进行曲》唱响世界80年 UP主: 亡是公 发布于 2015-05-24 20:22:26 / 点击数: 2602 / 评论数: 96"
# 情况2 没有UP主，就一个更新时间，这种数据常见于番剧： title="标题：【四月】幻界战线 更新至：第8集 更新于：2015年05月24日"
# 情况3 这下更牛B，连更新时间都不需要了，一般是推荐 ： title="全明星热唱happy"
# 情况4 还有这种有标题但没有UP主的 ： title="标题: 我爱你 中国（A站爱国兔子合集）"
# 先过滤掉前面几个字
data[1] = data[1][7:]
# 先排除情况3
now = data[1].find("标题")
if now == -1:
row.set_title(data[1][: len(data[1]) - 1].strip())
# 然后开始疯狂捏造数据
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
else:
data[1] = data[1][3:]
# 然后排除情况2
now = data[1].find("更新于")
if now != -1:
now = data[1].find(" ")
# 获取title
row.set_title(data[1][:now].strip())
# 然后也开始疯狂捏造数据
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
else:
now = data[1].find(" ")
if now != -1:
# 接着处理情况1
# 获取title
row.set_title(data[1][:now].strip())
data[1] = data[1][now + 1 :]
# 获取UP主
now = data[1].find(" ")
row.set_up(data[1][9:now])
data[1] = data[1][now + 1 :]
# 获取投稿时间
now = data[1].find(" / ")
row.set_post_time(data[1][8:now])
else:
# 最后是情况4
row.set_title(data[1][: len(data[1]) - 1].strip())
# 然后开始疯狂捏造数据
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
except Exception:
continue
rows.append(row)
# 开始随机抓取评论
self.create_more(rows, max_id)
# 投稿信息单独放一张表
self.ac_comments.db_proc.ACCommentsInfo.insert(rows)
return list(set(rows))
def parse(self, src):
max = 0 #max这个字段用来查询更多的投稿
now = 0
rows = []#front_urlData
while True:
cursor = 0 #保存字符串出现的位置
row = ACcommentsInfoPO() #保存一篇投稿抓取的内容
#判断是否包含投稿链接
cursor = src.find('<a href="')
if cursor == -1:
break
#抓取投稿类型
src = src[cursor+9:]
if src[0:5] == "/v/ac":
row.set_type("视频")
elif src[0:5] == "/a/ac":
row.set_type("文章")
else:
continue
#判断是否为包含URL地址
cursor = src.find('"')
if cursor == -1:
continue
#查询更多的投稿
try:
now = int(src[src.find("/ac")+3:cursor])
if max < now:
max = now
except Exception:
max = 0
#抓取投稿URL
row.set_id(src[src.find("/ac")+3:cursor])
row.set_url(ACFUN + src[:cursor])
src = src[cursor+2:]
#进入一些异常判断和投稿标题分析
if not src[:23] == 'target="_blank" title="':
continue
src = src[27:]
cursor = src.find("
")
if cursor == -1 \
or cursor > 150:
continue
#抓取投稿标题
row.set_title(src[:cursor])
src = src[cursor+10:]
#判断是否为包含UP信息
cursor = src.find("
")
if cursor == -1:
continue
#抓取UP信息
row.set_up(src[:cursor])
src = src[cursor+9:]
#判断是否为包含投稿时间
cursor = src.find(" / ")
if cursor == -1:
continue
#抓取投稿时间
row.set_post_time(src[:cursor])
src = src[cursor+12:]
#将row保存到rows中
rows.append(row)
self.create_more(rows, max)
self.ACCommentsInfo.insert(rows)
#parseTimeB = time.time() #性能统计
#print("parse用时:" + str(parseTimeB - parseTimeA))
return rows
def parse(self, src):
max_id = 0 #max_id这个字段用来查询更多的投稿
now = 0
rows = [] #front_urlData
for data in src:
try:
row = ACcommentsInfoPO() #保存一篇投稿抓取的内容
#获取投稿类型
if data[0][0:5] == '/v/ac':
row.set_id(data[0][5:])
row.set_type('视频')
elif data[0][0:5] == '/a/ac':
row.set_id(data[0][5:])
row.set_type('文章')
elif data[0][0:5] == '/v/ab':
#番剧的id和其他不一样，加负号以示区别
row.set_id('-' + data[0][5:])
row.set_type('番剧')
else:
continue
#获取acid和url
row.set_url(ACFUN + data[0])
#max_id这个字段用来查询更多的投稿，比如我从首页获取的最大投稿是ac190000，那么一会我会多抓去ac188900到ac190000的评论信息
if max_id < int(data[0][5:]):
max_id = int(data[0][5:])
#到了解析title的时候了，A站的title写的很不规范，以下是我们需要分析的几种情况
#情况1 什么都有，开工的时候要注意标题后面的两种冒号： title="标题: 抗战烽火孕育新中国国歌 《义勇军进行曲》唱响世界80年 UP主: 亡是公 发布于 2015-05-24 20:22:26 / 点击数: 2602 / 评论数: 96"
#情况2 没有UP主，就一个更新时间，这种数据常见于番剧： title="标题：【四月】幻界战线 更新至：第8集 更新于：2015年05月24日"
#情况3 这下更牛B，连更新时间都不需要了，一般是推荐 ： title="全明星热唱happy"
#情况4 还有这种有标题但没有UP主的 ： title="标题: 我爱你 中国（A站爱国兔子合集）"
#先过滤掉前面几个字
data[1] = data[1][7:]
#先排除情况3
now = data[1].find('标题')
if now == -1:
row.set_title(data[1][:len(data[1]) - 1].strip())
#然后开始疯狂捏造数据
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
else:
data[1] = data[1][3:]
#然后排除情况2
now = data[1].find('更新于')
if now != -1:
now = data[1].find(' ')
#获取title
row.set_title(data[1][:now].strip())
#然后也开始疯狂捏造数据
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
else:
now = data[1].find(' ')
if now != -1:
#接着处理情况1
#获取title
row.set_title(data[1][:now].strip())
data[1] = data[1][now + 1:]
#获取UP主
now = data[1].find(' ')
row.set_up(data[1][9:now])
data[1] = data[1][now + 1:]
#获取投稿时间
now = data[1].find(' / ')
row.set_post_time(data[1][8:now])
else:
#最后是情况4
row.set_title(data[1][:len(data[1]) - 1].strip())
#然后开始疯狂捏造数据
row.set_up("UP主不详")
row.set_post_time("1992-06-17 01:02:03")
except Exception:
continue
rows.append(row)
#开始随机抓取评论
self.create_more(rows, max_id)
#投稿信息单独放一张表
self.ac_comments.db_proc.ACCommentsInfo.insert(rows)
return list(set(rows))
def parse(self, front_urlData, src):
max = 0; #max这个字段用来查询更多的投稿
now = 0;
rows = front_urlData;
while True:
cursor = 0; #保存字符串出现的位置
row = ACcommentsInfoPO(); #保存一篇投稿抓取的内容
#判断是否包含投稿链接
cursor = src.find('<a href="');
if cursor == -1:
break;
#抓取投稿类型
src = src[cursor+9:];
if src[0:5] == "/v/ac":
row.set_type("视频");
elif src[0:5] == "/a/ac":
row.set_type("文章");
else:
continue;
#判断是否为包含URL地址
cursor = src.find('"');
if cursor == -1:
continue;
#查询更多的投稿
now = int(src[src.find("/ac")+3:cursor]);
if max < now:
max = now;
#抓取投稿URL
row.set_id(src[src.find("/ac")+3:cursor]);
row.set_url(ACFUN + src[:cursor]);
src = src[cursor+2:];
#进入一些异常判断和投稿标题分析
if not src[:23] == 'target="_blank" title="':
continue;
src = src[27:];
cursor = src.find(" ");
if cursor == -1 \
or cursor > 150:
continue;
#抓取投稿标题
row.set_title(src[:cursor]);
src = src[cursor+10:];
#判断是否为包含UP信息
cursor = src.find(" ");
if cursor == -1:
continue;
#抓取UP信息
row.set_up(src[:cursor]);
src = src[cursor+9:];
#判断是否为包含投稿时间
cursor = src.find(" / ");
if cursor == -1:
continue;
#抓取投稿时间
row.set_post_time(src[:cursor]);
src = src[cursor+12:];
#将row保存到rows中
rows.append(row);
self.create_more(rows, max);
self.ACCommentsInfo.insert(rows);
#parseTimeB = time.time(); #性能统计
#print("parse用时:" + str(parseTimeB - parseTimeA));
return rows;