爬取IP代理偷偷给文章刷阅读量一、前言二、代码三、小结

一、前言

原本是想开始维护IP代理池,继续python爬虫进阶之路,但在看其他人写的IP代理爬取的文章时,发现可以把爬下来的IP用来给CSDN博客里的文章刷阅读量,于是就刷了1k+的阅读量......

想当初开始python爬虫和数据可视化的写作时,写完处女作爬取张佳玮138w+知乎关注者:数据可视化后,立马注册了简书、CSDN账号,并分别投放了文章,但两者的境遇可谓天差地别,简书上一日之间上了网站首页并被加入今日看点等诸多专题,而CSDN上几乎无人问津,截止昨日过去20多天,才120+左右阅读......相比之下,明显感受到了简书对小透明的友善,截止今晚“阅读 2605 评论 22 喜欢 82 赞赏 3”,当然和大V的文章不能比,但也还算过得去。

二、代码

代码直接参考了下文,更多解读参见原文,其中将ip提取部分修改了下,并将用来测试IP是否可用的百度url改成了CSDN博客里文章的url爬虫(2)--- 构建简单代理IP池

当然也可以去试试其他网站能不能刷阅读量,最开始试了下简书,发现无效,可能记录的是每个用户的阅读,所以单纯IP访问而账号未登录的话,可能无法增加阅读量。

再就是试了下CSDN,发现阅读量蹭蹭上涨后,也是有点害怕,不知道会不会被封IP和账号,后续也还是不敢放开地刷数据,只能算是娱乐下。(两篇文章分别从20+和120+阅读刷到了现在的数据,请不要举报我)

csdn-1.png

另外也试了下豆瓣......嗯,立马就“403”,上不去了,所以看了本文想刷其他网站数据的朋友,还是三思而行,如果账号被封,概不负责哦。==。

豆瓣-403-ip.png

代码(py3.5版本):

# coding: utf-8

import urllib.request  
import urllib.parse 
import time  
from multiprocessing import Pool#多进程
import random
from lxml import etree  #解析

def GetUserAgent():
    '''
    功能:随机获取HTTP_User_Agent
    '''
    user_agents=[
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1"
    ]
    user_agent = random.choice(user_agents)
    return user_agent

def getProxies():
    '''
    功能:爬取西刺高匿IP构造原始代理IP池
    '''
    init_proxies = []
    ##爬取前五页
    for i in range(1,6):
        print("####")
        print("####爬取第"+str(i)+"页####")
        print("####")        
        print("IP地址\t\t\t端口\t存活时间\t\t验证时间")
        url = "http://www.xicidaili.com/nn/"+str(i)
        user_agent = GetUserAgent()
        headers=("User-Agent",user_agent)
        opener = urllib.request.build_opener() 
        opener.addheaders = [headers] 
        try:
            data = opener.open(url,timeout=5).read()
        except Exception as er:
            print("爬取的时候发生错误,具体如下:")
            print(er)
        selector=etree.HTML(data)
        '''
        ip_addrs = selector.xpath('//tr[@class="odd"]/td[2]/text()')  #IP地址
        port = selector.xpath('//tr[@class="odd"]/td[3]/text()')  #端口
        sur_time = selector.xpath('//tr[@class="odd"]/td[9]/text()')  #存活时间
        ver_time = selector.xpath('//tr[@class="odd"]/td[10]/text()')  #验证时间
        '''
        #原代码只提取了奇数行部分,修改下
        ip_addrs = selector.xpath('//tr/td[2]/text()')  #IP地址
        port = selector.xpath('//tr/td[3]/text()')  #端口
        sur_time = selector.xpath('//tr/td[9]/text()')  #存活时间
        ver_time = selector.xpath('//tr/td[10]/text()')  #验证时间
        for j in range(len(ip_addrs)):
            ip = ip_addrs[j]+":"+port[j] 
            init_proxies.append(ip)
            #输出爬取数据 
            print(ip_addrs[j]+"\t\t"+port[j]+"\t\t"+sur_time[j]+"\t"+ver_time[j])
    return init_proxies


def testProxy(curr_ip):
    '''
    功能:验证IP有效性
    @curr_ip:当前被验证的IP
    '''
    tmp_proxies = []
    #socket.setdefaulttimeout(10)  #设置全局超时时间
    #tarURL = "http://www.baidu.com/" 
    #tarURL = "http://blog.csdn.net/deserts_x/article/details/76726885" #CSDN-老树画画
    tarURL = "http://blog.csdn.net/deserts_x/article/details/76409116" #CSDN-张佳玮
    user_agent = GetUserAgent()
    proxy_support = urllib.request.ProxyHandler({"http":curr_ip})
    opener = urllib.request.build_opener(proxy_support)
    opener.addheaders=[("User-Agent",user_agent)]
    urllib.request.install_opener(opener)
    try:
        res = urllib.request.urlopen(tarURL,timeout=5).read()
        if len(res)!=0:
            tmp_proxies.append(curr_ip)
    except urllib.error.URLError as er2: 
        if hasattr(er2,"code"):
            print("验证代理IP("+curr_ip+")时发生错误(错误代码):"+str(er2.code))
        if hasattr(er2,"reason"):
            print("验证代理IP("+curr_ip+")时发生错误(错误原因):"+str(er2.reason))
    except Exception as er:
        print("验证代理IP("+curr_ip+")时发生如下错误):")
        print(er)
    time.sleep(2)
    return tmp_proxies


def mulTestProxies(init_proxies):
    '''
    功能:多进程验证IP有效性
    @init_proxies:原始未验证代理IP池
    '''
    pool = Pool(processes=7)
    fl_proxies = pool.map(testProxy,init_proxies)
    pool.close()
    pool.join()  #等待进程池中的worker进程执行完毕
    return fl_proxies


if __name__ == '__main__':
    #---(1)获取代理IP池
    init_proxies = getProxies()  #获取原始代理IP
    tmp_proxies = mulTestProxies(init_proxies) #多进程测试原始代理IP  
    proxy_addrs = []
    for tmp_proxy in tmp_proxies:
        if len(tmp_proxy)!=0:
            #print(tmp_proxy)
            proxy_addrs.append(tmp_proxy)

    print(len(proxy_addrs))
    print(proxy_addrs)

三、小结

关于爬取和维护IP代理池的文章网上其实不少,简书上也不少,对于想要爬虫进阶的人来说一定是会碰到的,毕竟当你想大规模爬取某网站数据时,只靠自己电脑的IP在单位时间里大量访问的话,多半会出事,而为了爬取效率起见,就需要大量IP车轮战,前仆后继地上了。

提供免费IP代理的网站也不少,当然质量并不好,大多IP并不能用,这也是在维护IP代理池时,需要靠不断爬取、检测和更新IP解决的。

最后,重要的事情去说三遍: 看了本文想刷其他网站数据的朋友,还是三思而行,如果账号被封,概不负责哦。==。 看了本文想刷其他网站数据的朋友,还是三思而行,如果账号被封,概不负责哦。==。 看了本文想刷其他网站数据的朋友,还是三思而行,如果账号被封,概不负责哦。==。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏张善友的专栏

易学易用的Windows PowerShell

Windows PowerShell 是微软为 Windows 环境所开发的 shell 及脚本语言技术,这项全新的技术提供了丰富的控制与自动化的系统管理能力;...

2146
来自专栏Python攻城狮

Python网络爬虫(七)- 深度爬虫CrawlSpider1.深度爬虫CrawlSpider2.链接提取:LinkExtractor3.爬取规则:rules4.如何在pycharm中直接运行爬虫5.

3582
来自专栏不止思考

RAID磁盘阵列是什么(一看就懂)

在单机时代,采用单块磁盘进行数据存储和读写的方式,由于寻址和读写的时间消耗,导致I/O性能非常低,且存储容量还会受到限制。另外,单块磁盘极其容易出现物理故障,经...

974
来自专栏Jack-Cui

Python3网络爬虫(十):这个帅哥、肌肉男横行的世界(爬取帅哥图)

运行平台: Windows Python版本: Python3.x IDE: Sublime text3 1 前言     之前,感觉网上类似于《爬取...

2316
来自专栏伪君子的梦呓

使用 Python 伪造数据

0 前言 某些时刻,因为个人数据不想泄露出去,所以需要伪造一下数据;也有使用爬虫的时候需要换一下 user agent ,一个用到旧会被发现,最后就是被封结尾...

3458
来自专栏七夜安全博客

Scrapy爬取美女图片第四集 突破反爬虫(上)

3193
来自专栏张善友的专栏

将我的 Windows Phone 应用程序更新到 Windows Phone 8

[原文发表地址]  Updating my Windows Phone App to Windows Phone 8 [中文原文地址] 将我的 Windows ...

1967
来自专栏小白课代表

Microsoft Office 2019 RTM版各版本!几乎等于正式版!!!

Microsoft Office 2019 正式版很快就要发布了,目前最新版为 Office 2019 RTM版,不过仅支持Win10系统。

2.2K8
来自专栏遊俠扎彪

无线路由器(SOHO路由器/IP分享器)的常用工作模式

也叫接入点模式,也是最常见的模式,拓扑如下图。

3915
来自专栏GuZhenYin

C#使用Xamarin开发可移植移动应用终章(11.获取设备信息与常用组件,开源一个可开发模版.)

前言 源码地址:https://github.com/l2999019/DemoApp 可以Star一下,随意 - - 说点什么.. 本系列,终于要终章了..感...

2427

扫码关注云+社区

领取腾讯云代金券