【python】爬取csdn博客相关数据

最新推荐文章于 2025-04-30 15:58:28 发布

gz-郭小敏

最新推荐文章于 2025-04-30 15:58:28 发布

阅读量566

点赞数

CC 4.0 BY-SA版权

分类专栏： python

本文链接：https://blog.youkuaiyun.com/github_39570717/article/details/88420193

本文介绍了如何使用Python爬取优快云博客数据，重点在于准备代理IP并存储到数据库，以及在IP失效时自动删除，确保爬虫的稳定运行。作者提醒要合理控制爬虫频率，遵守网络道德。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码后续优化请关注：https://github.com/guosimin/python-spider

注意：请限制使用爬虫频率，做一条有道德的爬虫

一，首先要先准备一定量的代理ip并存入到数据库

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import requests,threading,datetime
from bs4 import BeautifulSoup
import random
import pymongo
from pymongo import MongoClient

"""
1、抓取西刺代理网站的代理ip
2、并根据指定的目标url,对抓取到ip的有效性进行验证
3、最后存到指定的path
"""
# ------------------------------------------------------数据处理--------------------------------------------------------
#1.链接本地数据库服务
name = MongoClient('localhost')
#2.链接本地数据库 demo 没有会创建
db = name.demo   #demo数据库名
# 3.创建，连接集合
emp = db.employees  # employees集合名


# 写入文档
def write(path,text):
    emp.insert_one({'ip': text})

# 清空文档
def truncatefile(path):
    # 4.根据情况清空聚合
    emp.remove(None)

# 读取文档
def read():
    # with open(path, 'r', encoding='utf-8') as f:
    #     txt = []
    #     for s in f.readlines():
    #         txt.append(s.strip())
    txt = emp.find()
    list = [];
    for each in txt:
        if each['ip'] != '':
            list.append(each['ip'])
    return list
# ----------------------------------------------------------------------------------------------------------------------

# 计算时间差,格式: 时分秒
def gettimediff(start,end):
    seconds = (end - start).seconds
    m, s = divmod(seconds, 60)
    h, m = divmod(m, 60)
    diff = ("%02d:%02d:%02d" % (h, m, s))
    return diff
# ----------------------------------------------------------------------------------------------------------------------
# 返回一个随机的请求头 headers
def getheaders():
    user_agent_list = [ \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" \
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko)