python2.7导入mysqldb

my噶地~~

学习了一段时间爬虫，了解最基本的模块。要开始连接数据库啦，遇到小问题，随笔mark。

爬虫就是在网页上解析数据，一开始只能爬到pycharm的显示栏，高级一点点的有图形化界面，可以爬取小说、文字、图片、小视频and so on，，

爬虫必备模块之urllib、urllib2、re、beautifulsoup、xpath等等

有些模块是python自带的模块，如urllib、sys、re等等，但是有些模块需要在Dos命令里面进行install，格式"pip install+模块名"

网页分为静态网页和动态网页，两者之间最大的区别大概就是后者需要与服务器进行数据交互，即与数据库有关联。

前两个用来解析网络url，譬如urllib2.openurl("这里放入需要爬取的url")，注意如果openurl()没有得到对应的html，那么恭喜你，你爬的网站做了反爬虫。

这个时候加上headers可以很好地解决这个问题。譬如headers={

'User-Agent':'这个地方注意去你要爬的网址上面找，F12+F5'

}

过滤不需要的信息需要用到正则表达式，最基本的re.compile（“html”）是为了防止转义，提高编译效率。

过来不需要的信息可以用re.findall(req,html)，这样可以过滤你要的信息啦，比如标题，正文，甚至图片。

最近爬了一个小说网，需要将数据存储到数据库中，一般都是用mysql。python连接数据库需要安装数据库插件python2.x系列的数据库模块叫mysqldb，为了import MySQLdb不报错，可是让我惦记了两天，pip install mysql_python根本行不通！！！安装了好多不必要的插件依旧有问题！！！最好的解决办法如下:

http://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python

http://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python

http://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python

重要的网站备份三遍！！在里面找到名为"mysql_python-1.2.5-cp27-none-win32.whl"的插件下载，操作如下所示：

！！！专治各种纠结

关于数据库的连接存储，且看下回分解。

最后摆出一个爬取某小说网站的书籍文件，参考学习：

# _*_coding:utf-8 _*_

#爬取小说网站，将数据存入数据库
#author：yangyang
#datetime:2017.6.2


import urllib2,re
import MySQLdb

domain="http://www.quanshu.net"
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
}
def getTypeList(pn=1):
      req=urllib2.Request('http://www.quanshu.net/map/%s.html' %pn)
      req.headers=headers #替换所有头信息
      #req.add_header()#添加单个头信息
      res=urllib2.urlopen(req)
      html=res.read().decode('gbk')#decode解码
      reg=re.compile(r'<a href="(/book/.*?)" target="_blank">(.*?)</a>')
      htmll=re.findall(reg,html)
      return htmll
def getContent(url):
    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):
  req=urllib2.Request(domain+url)
  req.headers=headers
  res=urllib2.urlopen(req)
  res=res.read().decode('gbk')
  reg=r'style5();</script>(.*?)<script type="text/javascript">style6();'
  return re.findall(reg,res)[0]

if __name__== '__main__':
    for type in range(1,10):
        for url,title in getTypeList(type):
             for chapter,ztitle in getContent(url):
                  print u'正在爬取----------%s' %ztitle
                  contenturl= getNovelcontent(url.replace('index.html',chapter))