一、前言

原本是想開始維護IP代理池，繼續(xù)python爬蟲進階之路，但在看其他人寫的IP代理爬取的文章時，發(fā)現(xiàn)可以把爬下來的IP用來給CSDN博客里的文章刷閱讀量，于是就刷了1k+的閱讀量......

想當(dāng)初開始python爬蟲和數(shù)據(jù)可視化的寫作時，寫完處女作《爬取張佳瑋138w+知乎關(guān)注者：數(shù)據(jù)可視化》后，立馬注冊了簡書、CSDN賬號，并分別投放了文章，但兩者的境遇可謂天差地別，簡書上一日之間上了網(wǎng)站首頁并被加入今日看點等諸多專題，而CSDN上幾乎無人問津，截止昨日過去20多天，才120+左右閱讀......相比之下，明顯感受到了簡書對小透明的友善，截止今晚“閱讀 2605 評論 22 喜歡 82 贊賞 3”，當(dāng)然和大V的文章不能比，但也還算過得去。

二、代碼

代碼直接參考了下文，更多解讀參見原文，其中將ip提取部分修改了下，并將用來測試IP是否可用的百度url改成了CSDN博客里文章的url。
爬蟲（2）--- 構(gòu)建簡單代理IP池

當(dāng)然也可以去試試其他網(wǎng)站能不能刷閱讀量，最開始試了下簡書，發(fā)現(xiàn)無效，可能記錄的是每個用戶的閱讀，所以單純IP訪問而賬號未登錄的話，可能無法增加閱讀量。

再就是試了下CSDN，發(fā)現(xiàn)閱讀量蹭蹭上漲后，也是有點害怕，不知道會不會被封IP和賬號，后續(xù)也還是不敢放開地刷數(shù)據(jù)，只能算是娛樂下。（兩篇文章分別從20+和120+閱讀刷到了現(xiàn)在的數(shù)據(jù)，請不要舉報我）

csdn-1.png

另外也試了下豆瓣......嗯，立馬就“403”，上不去了，所以看了本文想刷其他網(wǎng)站數(shù)據(jù)的朋友，還是三思而行，如果賬號被封，概不負責(zé)哦。==。

豆瓣-403-ip.png

代碼（py3.5版本）：

# coding: utf-8

import urllib.request  
import urllib.parse 
import time  
from multiprocessing import Pool#多進程
import random
from lxml import etree  #解析

def GetUserAgent():
    '''
    功能：隨機獲取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構(gòu)造原始代理IP池
    '''
    init_proxies = []
    ##爬取前五頁
    for i in range(1,6):
        print("####")
        print("####爬取第"+str(i)+"頁####")
        print("####")        
        print("IP地址\t\t\t端口\t存活時間\t\t驗證時間")
        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("爬取的時候發(fā)生錯誤，具體如下：")
            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()')  #存活時間
        ver_time = selector.xpath('//tr[@class="odd"]/td[10]/text()')  #驗證時間
        '''
        #原代碼只提取了奇數(shù)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()')  #存活時間
        ver_time = selector.xpath('//tr/td[10]/text()')  #驗證時間
        for j in range(len(ip_addrs)):
            ip = ip_addrs[j]+":"+port[j] 
            init_proxies.append(ip)
            #輸出爬取數(shù)據(jù) 
            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：驗證IP有效性
    @curr_ip：當(dāng)前被驗證的IP
    '''
    tmp_proxies = []
    #socket.setdefaulttimeout(10)  #設(shè)置全局超時時間
    #tarURL = "http://www.baidu.com/" 
    #tarURL = "http://blog.csdn.net/deserts_x/article/details/76726885" #CSDN-老樹畫畫
    tarURL = "http://blog.csdn.net/deserts_x/article/details/76409116" #CSDN-張佳瑋
    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("驗證代理IP（"+curr_ip+"）時發(fā)生錯誤（錯誤代碼）："+str(er2.code))
        if hasattr(er2,"reason"):
            print("驗證代理IP（"+curr_ip+"）時發(fā)生錯誤（錯誤原因）："+str(er2.reason))
    except Exception as er:
        print("驗證代理IP（"+curr_ip+"）時發(fā)生如下錯誤）：")
        print(er)
    time.sleep(2)
    return tmp_proxies


def mulTestProxies(init_proxies):
    '''
    功能：多進程驗證IP有效性
    @init_proxies：原始未驗證代理IP池
    '''
    pool = Pool(processes=7)
    fl_proxies = pool.map(testProxy,init_proxies)
    pool.close()
    pool.join()  #等待進程池中的worker進程執(zhí)行完畢
    return fl_proxies


if __name__ == '__main__':
    #---（1）獲取代理IP池
    init_proxies = getProxies()  #獲取原始代理IP
    tmp_proxies = mulTestProxies(init_proxies) #多進程測試原始代理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、小結(jié)

關(guān)于爬取和維護IP代理池的文章網(wǎng)上其實不少，簡書上也不少，對于想要爬蟲進階的人來說一定是會碰到的，畢竟當(dāng)你想大規(guī)模爬取某網(wǎng)站數(shù)據(jù)時，只靠自己電腦的IP在單位時間里大量訪問的話，多半會出事，而為了爬取效率起見，就需要大量IP車輪戰(zhàn)，前仆后繼地上了。

提供免費IP代理的網(wǎng)站也不少，當(dāng)然質(zhì)量并不好，大多IP并不能用，這也是在維護IP代理池時，需要靠不斷爬取、檢測和更新IP解決的。

最后，重要的事情去說三遍：
看了本文想刷其他網(wǎng)站數(shù)據(jù)的朋友，還是三思而行，如果賬號被封，概不負責(zé)哦。==。
看了本文想刷其他網(wǎng)站數(shù)據(jù)的朋友，還是三思而行，如果賬號被封，概不負責(zé)哦。==。
看了本文想刷其他網(wǎng)站數(shù)據(jù)的朋友，還是三思而行，如果賬號被封，概不負責(zé)哦。==。