一、序言:
世界 1024 程序猿节日不加班,闲着没事儿。。。随手写了个播客访问量爬虫玩玩,访问量过万不是事儿!!!每个步骤注释都很清晰,代码仅供学习参考!
---- Nick.Peng
二、所需环境:
Python3.x
相关模块: requests、json、lxml、urllib、bs4、fake_useragent
三、增加Blog访问量代码如下:
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Author: Nick # @Date: 2019-10-24 15:40:58 # @Last Modified by: Nick # @Last Modified time: 2019-10-24 16:54:31 import random import re import time import urllib import requests from bs4 import BeautifulSoup from fake_useragent import UserAgent try: from lxml import etree except Exception as e: import lxml.html # 实例化一个etree对象(解决通过from lxml import etree导包失败) etree = lxml.html.etree # 实例化UserAgent对象,用于产生随机UserAgent ua = UserAgent() class BlogSpider(object): """ Increase the number of CSDN blog visits. """ def __init__(self): self.url = "https://blog.csdn.net/PY0312/article/list/{}" self.headers = { "Referer": "https://blog.csdn.net/PY0312/", "User-Agent": ua.random } self.firefoxHead = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"} self.IPRegular = r"(([1-9]" def send_request(self, num): """ 模拟浏览器发起请求 :param num: num :return: html_str """ html_str = requests.get(self.url.format( num), headers=self.headers).content.decode() # print(html_str) return html_str def parse_data(self, html_str): """ 用于解析发起请求返回的数据 :param html_str: :return: each_page_urls """ # 将返回的 html字符串 转换为 element对象,用于xpath操作 element_obj = etree.HTML(html_str) # print(element_obj) # 获取每一页所有blog的url each_page_urls = element_obj.xpath( '//*[@id="mainBox"]/main/div[2]/div/h4/a/@href') # print(each_page_urls) return each_page_urls def parseIPList(self, url="http://www.xicidaili.com/"): """ 爬取最新代理ip,来源:西刺代理 注意:西刺代理容易被封,如遇到IP被封情况,采用以下两种方法即可解决: 方法一:请参考我上一篇博客《Python 实现快代理IP爬虫》 ===> 喜欢研究的同学,可参考对接此接口 方法二:直接屏蔽掉此接口,不使用代理也能正常使用 :param url: "http://www.xicidaili.com/" :return: 代理IP列表ips """ ips = [] request = urllib.request.Request(url, headers=self.firefoxHead) response = urllib.request.urlopen(request) soup = BeautifulSoup(response, "lxml") tds = soup.find_all("td") for td in tds: string = str(td.string) if re.search(self.IPRegular, string): ips.append(string) # print(ips) return ips def main(self, total_page, loop_times, each_num): """ 调度方法 :param total_page: 设置博客总页数 :param loop_times: 设置循环次数 :param each_num: 设置每一页要随机挑选文章数 :return: """ i = 0 # 根据设置次数,打开循环 while i < loop_times: # 遍历,得到每一页的页码 for j in range(total_page): # 拼接每一页的url,并模拟发送请求, 返回响应数据 html_str = self.send_request(j + 1) # 解析响应数据,得到每一页所有博文的url each_page_urls = self.parse_data(html_str) # 调用parseIPList随机产生代理IP,防反爬 # ips = self.parseIPList() # proxies = {"http": "{}:8080".format( # ips[random.randint(0, 40)])} # 遍历,每一页随机挑选each_num篇文章 for x in range(each_num): # 随机抽取每一页的一篇博文进行访问,防反爬 current_url = random.choice(each_page_urls) status = True if requests.get( current_url, headers=self.headers).content.decode() else False print("当前正在访问的文章是:{},访问状态:{}".format(current_url, status)) time.sleep(1) # 延时1秒,防反爬 time.sleep(1) # 延时1秒,防反爬 i += 1 if __name__ == '__main__': bs = BlogSpider() bs.main(7, 200, 3) # 参数参照main方法说明,酌情设置
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
更新日志
2024年11月20日
2024年11月20日
- 刘紫玲2024《清平调》[低速原抓WAV+CUE]
- 伍佰1998《世界第一等》98绝版收藏EP[WAV+CUE]
- 天乐试机天碟 《终极参考SACD》十大发烧唱片之一[WAV分轨]
- 群星《新说唱2024 第12期 (下)》[320K/MP3][95.27MB]
- 楼兰2024-《楼兰传奇》[低速原抓WAV+CUE]
- 楼兰《楼兰传奇2》2024[低速原抓WAV+CUE]
- 陈果《有了你》UPM24K金碟[日本限量版][WAV+CUE]
- 群星《新说唱2024 第12期 (下)》[FLAC/分轨][506.43MB]
- 李常超 (Lao乾妈)《天生江湖》[320K/MP3][168.84MB]
- 李常超 (Lao乾妈)《天生江湖》[FLAC/分轨][633.83MB]
- 群星《雨果发烧碟二十》UPMAGCD2024[WAV+CUE]
- 刘德丽《赤的疑惑》限量1:1黄金母盘直刻[低速原抓WAV+CUE]
- 柏菲·珞叔作品集《金色大厅2》限量开盘母带ORMCD[低速原抓WAV+CUE]
- Gareth.T《sad songs(Explicit)》[320K/MP3][29.03MB]
- Gareth.T《sad songs(Explicit)》[FLAC/分轨][152.85MB]