Python爬虫实战之提高CSDN访问量

python爬虫之建立代理池（一）_CodingInCV的博客-CSDN博客
python爬虫之建立代理池（二）_CodingInCV的博客-CSDN博客

前面2篇分别介绍了从2个免费代理网站爬取免费代理来构建我们自己的代理池。这一篇我们从实战的角度来将我们的代理池用起来，通过代理的方式访问我们的CSDN博客（CSDN会认为是一次访问，访问量+1）,从而实现访问量的增长，仅供学习爬虫使用···

获取博客文章列表和链接

获取博客列表的链接是https://blog.csdn.net/xxx/article/list/, 通过在后面添加页数，获取不同页的博客列表。

通过分析页面的html，我们可以知道文章都在html的“article-item-box”中，因此我们可以通过在返回的html中查找“article-item-box”来得到所有的文章链接。

html_text = requests.get(url=url, headers=type(self).headers).text

arts = []
soup = BeautifulSoup(html_text, 'html.parser')
articles = soup.findAll('div', {"class": "article-item-box"}) 
for art in articles:
	tag_a = art.find_next('a')  # 搜索a标签
	url = tag_a.attrs['href']   # 文章链接
	read_num = int((art.find_next('span', {'class': 'read-num'}).text))  # 文章阅读数量
	title = tag_a.text.replace('\n', '')  # 文章标题
   
	arts.append({
		'title': title,
		'url': url,
		'read_num': read_num
	})

通过代理访问CSDN文章

proxy = self.local_proxy.get_one_proxy()
blog = self.csdn_blog.get_one_blog()
blog_url = blog['url']
headers = {
	'User-Agent': self._refresh_headers()
}
proxies = {
	k:v for k, v in proxy.items() if k !="unusable_cnt"
}
r = requests.get(blog_url, headers=headers, proxies=proxies, timeout=5)
if r.status_code != 200:
	raise Exception('status_code is not 200')

通过设置requests接口的proxies参数，即可以代理的方式访问CSDN的博客。为了更像一个真正的浏览器，我们还要经常切换User-Agent，也就是浏览器的头。

进阶

User-Agent

The Latest and Most Common User Agents List (Updated Weekly)
我们可以从这个网站下载User-Agent列表，每次访问时从中随机一个。

代理池管理

前面只是从代理网站爬取了代理，为了有效管理，我们可以在这些代理基础上，进一步开发代理池的持久化功能，比如当有代理增加或者删除时，立即保存到本地；也可以将代理保存到redis, 实时更新，要获取代理时，也从redis中获取。简单起见，这里以保存到本地json为例：

class ProxyPool:

    lock = Lock()

    def __init__(self):

        self.proxy_file = "proxy.json"

        self.proxies = {}

        self.load_proxies()

    def _dump_proxies(self):

        with self.lock:

            with open(self.proxy_file, "w") as f:

                json.dump(self.proxies, f)

  

    def load_proxies(self):

        if not os.path.exists(self.proxy_file):

            return

        with open(self.proxy_file, "r") as f:

            self.proxies = json.load(f)

    def set_proxies(self, proxies):

        self.proxies.update(proxies)

        self._dump_proxies()

    def get_one_proxy(self):

        if len(self.proxies) == 0:

            return None

        proxy = random.choice(list(self.proxies.keys()))

        return json.loads(proxy)

    def get_unusable_cnt(self, proxy):

        proxy = json.dumps(proxy)

        if proxy not in self.proxies:

            return 0

        return self.proxies[proxy]

    def remove_proxy(self, proxy):

        proxy = json.dumps(proxy)

        if proxy not in self.proxies:

            return

        self.proxies.pop(proxy)

        self._dump_proxies()

    def update_proxy_unusable_cnt(self, proxy, cnt=0):

        proxy = json.dumps(proxy)

        if proxy not in self.proxies:

            return

        self.proxies[proxy] = cnt

        self._dump_proxies()

定时爬取最新的代理和文章列表

可以借助apscheduler建立2个定时任务,免去自己手动实现定时任务：

from apscheduler.schedulers.blocking import BlockingScheduler
self.scheduler = BlockingScheduler()    
self.scheduler.add_job(self._refresh_proxy_and_blog, 'interval', hours=24, next_run_time=datetime.now())
self.scheduler.add_job(self.read_jobs, 'interval', hours=24,next_run_time=datetime.now())

完整代码：

面包多：https://mbd.pub/o/bread/ZJuam5lx