Python 爬虫实现增加播客访问量的方法实现
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]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])"
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【听图阁-专注于Python设计】。
