前言
每当看到几十万的阅读量的文章后面区区几个评论, 心中就在想, 难道大家现在都这么懒了吗? 但是有些文章阅读量不高, 评论为什么这么多呢?
我想这些应该都是刷的, 不光浏览量是刷的, 甚至那些无厘头的评论都是刷的。有人要问了, 你凭什么说别人刷的评论呢? 难道评论还可以刷? 我想说是的。
比如：我们在浏览微博的时候，会经常发现一件事, 怎么每个微博下面都有这个人的小广告呢? 难道这人都这么闲吗? 一个人闲也就罢了, 怎么这么多人都闲？可以在大量的微博下面评论大量的小广告, 并且点赞还非常多。具体是不是刷的，自己做判断就好了。
今天教大家的是, 用爬虫通过代理来增加网页的浏览量。以下是干货↓
思路
一、怎么获取大量的代理IP？
给大家推荐一个网站 , 看到下面的图片, 应该明白我们要做什么了吧。我们可以写一个爬虫去抓取这些IP。
但是, 在实际运行的时候, 发现了一个问题, 我怎么才能知道这些IP有用, 并且代理设置成功了呢? 当然, 也是有解决方案的,我们可以用代理访问这个网站 ,如果不正常会抛出异常, 如果是正常的就会返回如下信息
{ "origin": "106.38.91.34, 106.38.91.34" }废话不多说，直接上代码：
from bs4 import BeautifulSoup import requests import random import time def download_page(url): print(url) try: #User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、 #浏览器渲染引擎、浏览器语言、浏览器插件等。 header = { "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36" } data = requests.get(url,headers=header).text except HTTPError as err: print(err.__traceback__) except ConnectionError as err: print(err.__traceback__) except TimeoutError as err: print(err.__traceback__) return data #获取当前首页的内容 def parse_proxy_html(html): try: #解析器html.parser lxml xml html5lib soup = BeautifulSoup(html, lxml) find_all = soup.find_all(tr) f = open("proxy", "w") for find_tr in find_all: find_tds = find_tr.find_all(td) if len(find_tds) == 0: continue ip_temp = find_tds[1].contents[0]+":"+find_tds[2].contents[0] try: #随机模拟一个用户 user_agent = {User-Agent:random.choice(agent_list)} #随机获取一个代理ip proxies = {http:ip_temp} #这样写没有问题,但是抓取出来的ip大都没有用 #判断代理ip是否有用,只保存有用的代理ip,两秒不响应就算无效的ip targetUrl = resp = requests.get(targetUrl, headers=user_agent,proxies=proxies,timeout=2) print(resp.status_code) print(resp.text) print(~~有效的~~代理ip和端口号%s%ip_temp) f.write(ip_temp+"\n") except Exception as e: print(~~异常:%s%e) print(~~无效的~~代理ip和端口号%s%ip_temp) #获取下个页面地址 next_a = soup.find(a,attrs={rel: next}) if next_a is None: print("~~None~~~") return ""; return next_a[href] except Exception as ex: print(抓取信息异常:+ex) #首页数据抓取 HTTP = def to_proxy_page(): download_url = /wt/1 num = 1 while download_url != javascript:; and download_url!=: if num == 3: print(~~~~够用了~~不抓取了~~~) break print("第%d次请求地址:%s"%(num,download_url)); #随机停顿几秒 i = random.randint(1, 3) time.sleep(i) #获取页面信息 html = download_page(HTTP + download_url) #解析和保存 download_url = parse_proxy_html(html) num = num+1; if __name__ == __main__: to_proxy_page()获取到的代理地址格式如下(想要多少, 代码自己设置下就好了):
163.204.243.4:9999
60.13.42.248:9999
二、通过代理地址去刷新网页
可以先写一个User-Agent列表, 模拟不同的浏览器信息。然后配置需要刷新的网页就好了。
import random import socket import requests #定义需要刷新的页面集合 refreshPage_list = [ #1062 #153 ] #定义User-Agent集合 agent_list = [ #Win7: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1, #Win7: Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/ Firefox/6.0, #Win7: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50, #Win7: Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50, #Win7+ie9： Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E), #Win7+ie8： Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3), #WinXP+ie8： Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0), #WinXP+ie7： Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1), #WinXP+ie6： Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1), #傲游3.1.7在Win7+ie9,高速模式: Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12, #傲游3.1.7在Win7+ie9,IE内核兼容模式: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E), #搜狗3.0在Win7+ie9,IE内核兼容模式: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0), #搜狗3.0在Win7+ie9,高速模式: Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.3 (KHTML, like Gecko) Chrome/6.0.472.33 Safari/534.3 SE 2.X MetaSr 1.0, #360浏览器3.0在Win7+ie9: Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E), #浏览器6.9(11079)在Win7+ie9,极速模式: Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 Browser/6.9.11079.201, #浏览器6.9(11079)在Win7+ie9,IE内核兼容模式: Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E) Browser/6.9.11079.201, #阿云浏览器1.3.0.1724 Beta(编译日期2011-12-05)在Win7+ie9: Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0) ] #开始搞 def to_refresh_page(): try: #获取代理信息 f = open("proxy",r) lines = f.readlines() proxys = [] for line in lines: ip = line.strip() proxys.append(ip) #每个页面刷新10次 for i in range(10): for url in refreshPage_list: #随机模拟一个用户 user_agent = {User-Agent:random.choice(agent_list)} #随机获取一个代理ip proxies = {http:random.choice(proxys)} r = requests.get(url,headers=user_agent,proxies=proxies) print(r) print(刷新成功，请求地址url:%s返回状态status:%s%(url,r.status_code)) except Exception as e: print(刷新页面异常:%s%e) if __name__ == __main__: to_refresh_page()代码中我加了很多注解，就不长篇大论了，如果有不明白的可以评论。
三、思考问题
在实际测试中，发现刚才还有效的代理IP，当去刷新网页的时候就链接超时了呢？为什么请求了很多次，网页的浏览量并没有涨太多呢?
注: 文章所写代码仅用于技术交流