python requests、xpath爬虫增加博客访问量

yxkj 2019-07-28 原文

这是一个分析IP代理网站，通过代理网站提供的ip去访问CSDN博客，达到以不同ip访同一博客的目的，以娱乐为主，大家可以去玩一下。

首先，准备工作，设置User-Agent:

#1.headers
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:68.0) Gecko/20100101 Firefox/68.0'}

然后百度一个IP代理网站，我选用的是https://www.kuaidaili.com/free，解析网页，提取其中的ip、端口、类型，并以list保存：

#1.获取IP地址
html=requests.get('https://www.kuaidaili.com/free').content.decode('utf8')
tree = etree.HTML(html)
ip = tree.xpath("//td[@data-title='IP']/text()")
port=tree.xpath("//td[@data-title='PORT']/text()")
model=tree.xpath("//td[@data-title='类型']/text()")

接着分析个人博客下的各篇文章的url地址，以list保存

#2.获取CSDN文章url地址   ChildrenUrl[]
url='https://blog.csdn.net/weixin_43576564'
response=requests.get(url,headers=headers)
Home=response.content.decode('utf8')
Home=etree.HTML(Home)
urls=Home.xpath("//div[@class='article-item-box csdn-tracking-statistics']/h4/a/@href")
ChildrenUrl=[]

然后通过代理ip去访问个人博客的各篇文章，通过for循环，一个ip将所有文章访问一遍，通过解析”我的博客”网页，获取总浏览量，实时监控浏览量是否发生变化，设置任务数，实时显示任务进度，通过random.randint()设置sleep时间，使得spider更加安全。全代码如下：

import os
import time
import random
import requests
from lxml import etree
#准备部分
#1.headers
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:68.0) Gecko/20100101 Firefox/68.0'}

#1.获取IP地址
html=requests.get('https://www.kuaidaili.com/free').content.decode('utf8')
tree = etree.HTML(html)
ip = tree.xpath("//td[@data-title='IP']/text()")
port=tree.xpath("//td[@data-title='PORT']/text()")
model=tree.xpath("//td[@data-title='类型']/text()")

#2.获取CSDN文章url地址   ChildrenUrl[]
url='https://blog.csdn.net/weixin_43576564'
response=requests.get(url,headers=headers)
Home=response.content.decode('utf8')
Home=etree.HTML(Home)
urls=Home.xpath("//div[@class='article-item-box csdn-tracking-statistics']/h4/a/@href")
ChildrenUrl=[]
for i in range(1,len(urls)):
    ChildrenUrl.append(urls[i])


oldtime=time.gmtime()

browses=int(input("输入需要访问次数："))
browse=0
#3.循环伪装ip并爬取文章
for i in range(1,len(model)):
    #设计代理ip
    proxies={model[i]:'{}{}'.format(ip[i],port[i])}
    for Curl in ChildrenUrl:
        try:
            browse += 1
            print("进度：{}/{}".format(browse,browses),end="\t")
            #遍历文章
            response=requests.get(Curl,headers=headers,proxies=proxies)
            #获取访问人数
            look=etree.HTML(response.content)
            Nuwmunber=look.xpath("//div[@class='grade-box clearfix']/dl[2]/dd/text()")
            count=Nuwmunber[0].strip()
            print("总浏览量：{}".format(count),end="\t")
            '''
            
            重新实现
            
            #每个IP进行一次查询
            if Curl==ChildrenUrl[5]:
                ipUrl='http://www.ip138.com/'
                response=requests.get(ipUrl,proxies=proxies)
                iphtml=response.content
                ipHtmlTree=etree.HTML(iphtml)
                ipaddress=ipHtmlTree.xpath("//p[@class='result']/text()")
                print(ip[i],ipaddress)            
            '''
            i = random.randint(5, 30)
            print("间隔{}秒".format(i),end="\t")
            time.sleep(i)
            print("当前浏览文章地址:{}".format(Curl))
            if browse == browses:
                print("已完成爬取任务,共消耗{}秒".format(int(time.perf_counter())))
                os._exit(0)

        except:
            print('error')
            os._exit(0)

    #打印当前代理ip
    print(proxies)

实际运行效果图：