Python 爬虫实现增加播客访问量的方法实现


Posted in Python onOctober 31, 2019

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三水点靠木。

Python 相关文章推荐
python中关于日期时间处理的问答集锦
Mar 08 Python
python实现bitmap数据结构详解
Feb 17 Python
python绘图库Matplotlib的安装
Jul 03 Python
python实现在控制台输入密码不显示的方法
Jul 02 Python
pip安装Python库时遇到的问题及解决方法
Nov 23 Python
python3 面向对象__类的内置属性与方法的实例代码
Nov 09 Python
Python 3 判断2个字典相同
Aug 06 Python
Python with语句和过程抽取思想
Dec 23 Python
对python中arange()和linspace()的区别说明
May 03 Python
python 可视化库PyG2Plot的使用
Jan 21 Python
用python 绘制茎叶图和复合饼图
Feb 26 Python
用Python爬取英雄联盟的皮肤详细示例
Dec 06 Python
基于Python+Appium实现京东双十一自动领金币功能
Oct 31 #Python
如何关掉pycharm中的python console(图解)
Oct 31 #Python
使用python实现男神女神颜值打分系统(推荐)
Oct 31 #Python
python实现根据文件格式分类
Oct 31 #Python
Python简易计算器制作方法代码详解
Oct 31 #Python
python3 pillow模块实现简单验证码
Oct 31 #Python
利用Python校准本地时间的方法教程
Oct 31 #Python
You might like
收藏的一个php小偷的核心程序
2007/04/09 PHP
ubuntu10.04配置 nginx+php-fpm模式的详解
2013/06/03 PHP
php命名空间学习详解
2014/02/27 PHP
基于win2003虚拟机中apache服务器的访问
2017/08/01 PHP
学习YUI.Ext基础第一天
2007/03/10 Javascript
jQuery 源码分析笔记(3) Deferred机制
2011/06/19 Javascript
圣诞节Merry Christmas给博客添加浪漫的下雪效果基于jquery实现
2012/12/27 Javascript
jquery 追加tr和删除tr示例代码
2013/09/12 Javascript
js实现动态改变字体大小代码
2014/01/02 Javascript
js数组去重的方法汇总
2015/07/29 Javascript
javascript中判断json的方法总结
2015/08/27 Javascript
Javascript基于对象三大特性(封装性、继承性、多态性)
2016/01/04 Javascript
javascript从定义到执行 你不知道的那些事
2016/01/04 Javascript
javascript实现根据函数名称字符串动态执行函数的方法示例
2016/12/28 Javascript
jquery与ajax获取特殊字符实例详解
2017/01/08 Javascript
BootStrap 弹出层代码
2017/02/09 Javascript
解决vue 更改计算属性后select选中值不更改的问题
2018/03/02 Javascript
跟老齐学Python之玩转字符串(3)
2014/09/14 Python
python使用webbrowser浏览指定url的方法
2015/04/04 Python
python实现定时自动备份文件到其他主机的实例代码
2018/02/23 Python
Python实现的redis分布式锁功能示例
2018/05/29 Python
python selenium 弹出框处理的实现
2019/02/26 Python
Pytorch提取模型特征向量保存至csv的例子
2020/01/03 Python
Python 使用 environs 库定义环境变量的方法
2020/02/25 Python
Python进程Multiprocessing模块原理解析
2020/02/28 Python
python模拟实现分发扑克牌
2020/04/22 Python
virtualenv介绍及简明教程
2020/06/23 Python
Flask处理Web表单的实现方法
2021/01/31 Python
Hello Molly美国:女性时尚在线
2019/08/26 全球购物
SCHIESSER荷兰官方网站:德国内衣专家
2020/10/09 全球购物
制药工程专业应届生求职信
2013/09/24 职场文书
办公室年终个人自我评价
2013/10/28 职场文书
小学教师师德整改措施
2014/09/29 职场文书
2014年除四害工作总结
2014/12/06 职场文书
React Hook用法示例详解(6个常见hook)
2021/04/28 Javascript
react 路由Link配置详解
2021/11/11 Javascript