当前位置:Gxlcms > Python > python实现爬虫统计学校BBS男女比例(一)

python实现爬虫统计学校BBS男女比例(一)

时间:2021-07-01 10:21:17 帮助过:86人阅读

一、项目需求

前言:BBS上每个id对应一个用户,他们注册时候会填写性别(男、女、保密三选一)。

经过检查,BBS注册用户的id对应1-300000,大概是30万的用户

笔者想用Python统计BBS上有多少注册用户,以及这些用户的性别分布

顺带可以统计最近活动用户是多少,其中男、女、保密各占多少

活动用户的限定为“上次活动时间”为 2015年

二、最终结果

性别信息保存在文本里,一行表示一个用户的信息,各列分别表示
【行数,id(涂掉了),性别,最后活跃时间】

三、实现思路

用户性别信息在哪个页面?

得到下面个人主页

把后面的uid=256730数字改成其他数字,就可以得到其他人的主页。

另外,如果上面的链接无法得到性别,可以再通过这个链接,也是修改uid可以访问其他人主页。

http://rs.xidian.edu.cn/home.php?mod=space&uid=256730&do=profile

四、数据如何存储?

用数据库还是其他方案?

为了阅读方便,我们考虑用文本文件存储。

30万的用户存储在一个文本里会导致文本过大。如果程序被意外终止,30 万的用户数据需要重新爬取。

我们我们考虑一个文本里存放1000条记录,理论上可以用30个文本来存放30万条数据。

文本名称为correct1-1001.txt correct47001-48001.txt,注意:1-1001是[1,1001),包含1,不包含1001

1、使用正则匹配找出性别

查看网页源代码


  • 性别
  • 还可以找到活动时间-->
  • 上次发表时间2015-11-4 20:04
  • 抱歉,您指定的用户空间不存在

    我们可以利用re模块来进行正则匹配

    sexRe = re.compile(u'em>\u6027\u522b(.*?)\u4e0a\u6b21\u6d3b\u52a8\u65f6\u95f4(.*?))\u62b1\u6b49\uff0c\u60a8\u6307\u5b9a\u7684\u7528\u6237\u7a7a\u95f4\u4e0d\u5b58\u5728<')
    
    

    因为中文的原因,需要Unicode 转换 中文工具,可以用站长工具 Unicode 转换 ASCII,ASCII 转换 Unicode,比如下面这个链接: http://tool.chinaz.com/Tools/Unicode.aspx

    • 性别的Unicode 是 \u6027\u522b
    • 上次活动时间 \u4e0a\u6b21\u6d3b\u52a8\u65f6\u95f4
    • 抱歉,您指定的用户空间不存在
    • \u62b1\u6b49\uff0c\u60a8\u6307\u5b9a\u7684\u7528\u6237\u7a7a\u95f4\u4e0d\u5b58\u5728

    这儿是简单获取性别的源代码,通过urllib2对链接myurl发送一个get请求,将得到的html保存下来。注意编码问题unicode(html, 'utf-8'),然后对html正则匹配seWord。

    如果该用户有性别信息,返回对应的性别;否则,返回None

    #对myurl页面进行seWord匹配查找
    #seWord是用unicode表示
    def getInfo(myurl, seWord):
      headers = {
        'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
      }
      req = urllib2.Request(
        url=myurl,
        headers=headers
      )
      time.sleep(0.3)
      response = urllib2.urlopen(req)
      html = response.read()
      html = unicode(html, 'utf-8') #需要进行编码,否则找不到信息
      timeMatch = seWord.search(html) #因为seWord是用unicode表示
      if timeMatch:
        s = timeMatch.groups()
        return s[0]
      else:
        return None
    
    

    五、错误处理

    1、断网情况(热修复方案)

    • 总共爬虫需要几天时间,用的校园网,中间可能有断网的可能。
    • 如果发现断网,我们可以重新连上互联网,这中间有些用户的性别没有获取到。
    • 程序运行时间较长,断一次网就重新从id=1开始跑是不科学的。而且你也不能保证这次就网一直是好的。
    • 为了不让程序重头开始跑,所以我们是记录下断网中漏掉的用户id。
    • 等一次程序跑完了(这需要几天的时间),我们再跑记录下来的id重新跑一次。

    2、无法获取性别

    • 这种有两种情况:
    • 一是真的没有性别(用户没有填写)
    • 二是服务器抽了,咱们请求网页失败了。
    • 这种咱们也是和上面类似,记录下失败的id,后面再重新跑。

    知识点小结

    对于这种错误,SyntaxError: Non-ASCII character '\xe5' in file

    需要在文件开头加上# -*- coding: UTF-8 -*-

    因为 python 的默认编码文件是用的 ANSCII 码


    BBS网页源代码使用utf-8进行编码的。

    本项目设计到中文字符,自然会遇到编码问题。

    import sys
    print sys.getdefaultencoding()
    
    

    输出 ascii
    从上面的代码可以看出 sys.defaultencoding 是 ANSCII,ANSCII是无法对中文字符进行编码的。UTF-8是Unicode的实现方式之一,可以对中文字符进行编码。遇到中文字符,我们需要加上这行代码

    reload(sys)
    # sys.setdefaultencoding('utf-8')
    
    

    更改 sys.defaultencoding 为'utf-8'

    后期整理的时候发现了自己一个小问题,因为正则表达式当时用unicode来表示的,所以需要把html进行unicode转换进行查找。
    后来发现可以直接用汉字对原来的html进行查找。

    # -*- coding: UTF-8 -*-
      html = response.read()
      sexRe = re.compile('em>性别(.*?)\u6027\u522b(.*?)

    输出

    字符串 女
    unicode 女
    
      html = response.read()
      print len(html)
      html = unicode(html, 'utf-8') #
      print len(html)
    
    

    输出

    html = response.read()
      print len(html)
      html = unicode(html, 'utf-8') #
      print len(html)
    

    输出

    35423
    33658
    

    以上就是python实现爬虫统计学校BBS男女比例的前期准备和方案分析,希望对大家的学习有所帮助。

    人气教程排行