爬取IP代理偷偷给文章刷阅读量
作者：Deserts_X
用python爬虫玩点好玩的；用可视化看见不一样的内容。
个人公众号： 牛衣古柳（ID：Deserts-X）
简书：http://www.jianshu.com/u/105b6cd74e7e
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
http://www.jianshu.com/p/ecf5353333f6
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）
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。==。
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。==。
Python爱好者社区历史文章大合集：
Python爱好者社区历史文章列表（每周append更新一次）
关注后在公众号内回复“课程”即可获取：
1.崔老师爬虫实战案例免费学习视频。
2.丘老师数据科学入门指导免费学习视频。
3.陈老师数据分析报告制作免费学习视频。
4.玩转大数据分析！Spark2.X+Python 精华实战课程免费学习视频。
5.丘老师Python网络爬虫实战免费学习视频。