位置: 编程技术 - 正文

python实现爬虫统计学校BBS男女比例(一)(利用python进行爬虫)

编辑:rootadmin

推荐整理分享python实现爬虫统计学校BBS男女比例(一)(利用python进行爬虫),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:爬虫python怎么用,python爬虫系统,爬虫python怎么用,python通用爬虫,python进行爬虫,pythone爬虫,python进行爬虫,pythone爬虫,内容如对您有帮助,希望把文章链接给更多的朋友!

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-,大概是万的用户

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 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=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。

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条记录,理论上可以用个文本来存放万条数据。

python实现爬虫统计学校BBS男女比例(一)(利用python进行爬虫)

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

1、使用正则匹配找出性别

查看网页源代码

我们可以利用re模块来进行正则匹配

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: 性别的Unicode 是 uub 上次活动时间 u4e0au6bu6d3bua8uf6uf4 抱歉,您指定的用户空间不存在 ub1u6buff0cua8uu5b9auuuu7a7auf4u4e0du5bu

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

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

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 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。

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

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。

输出

输出

输出

标签: 利用python进行爬虫

本文链接地址:https://www.jiuchutong.com/biancheng/379966.html 转载请保留说明!

上一篇:Python 功能和特点(新手必学)(python的特点及应用范围)

下一篇:python实现爬虫统计学校BBS男女比例之多线程爬虫(二)(pythone爬虫)

  • 企业收到保险公司赔偿款是否要交税
  • 贷款公司股权转让合法吗
  • 土建工程管理费取费基数
  • 不是单位职工个税怎么算
  • 上年留抵税,次年抵扣分录
  • 实报实销电话费
  • 企业自建厂房转让如何计算增值税
  • 试车要给钱吗
  • 稳岗补贴需要交个税吗
  • 文化事业建设费征收对象
  • 实物型产品的基础知识
  • 车不入库扣几分
  • 劳动保护用品应由什么开支
  • 支付青苗补偿费怎么做账
  • 增值税减少对企业的利弊
  • 收到采购商品
  • mac怎么打出@符号
  • 苹果mac有hdmi
  • 怎么操作win10系统
  • 加计抵减怎么做账务处理小企业会计准则
  • 电商平台第三方服务
  • linix unix
  • 弗拉维亚王朝
  • php正则函数内容匹配
  • PHP:shell_exec()的用法_命令行函数
  • php gd gd2
  • 税控盘是什么样子的
  • php深度分析
  • 应交增值税减免税额怎么结转
  • python中字符串的长度怎么算
  • 资产减值损失属于营业外支出吗
  • 应付未付货款会计分录
  • dedecms分页标签
  • 电子承兑汇票贴现怎么操作
  • 开发商提供物业用房的法律依据
  • 固定资产清理是什么科目
  • 小微企业需要专职安全员吗
  • 股权转让溢价款缴纳增值税
  • 土增尾盘销售应该如何申报收入
  • sqlserver2008数据库可疑
  • SQL2008中通过DBCC OPENTRAN和会话查询事务
  • 成本票和进项票举例说明
  • PostgreSQL教程(十七):客户端命令(1)
  • 承兑汇票大回头是什么意思
  • mysql5.5创建用户
  • 超市购物小票可以入账吗
  • 小规模纳税人需要每月清卡吗
  • 现金流量表编制原则
  • 信用减值损失如何列报
  • 管理费用包括哪些部门
  • 个体工商户财务怎么做账
  • 电费发票上的数量是什么意思
  • 员工食堂买菜怎么写分录
  • 网上购物没有发票
  • 结转周转材料成本
  • 当月财务费用怎么算
  • 多计提房产税怎么冲销
  • 预缴所得税会计分录怎么做东奥
  • 房地产会计科目明细表
  • 出表的好处
  • 年初建账考虑要点有哪些
  • ubuntu系统如何解压文件
  • Win10预览版拆弹
  • 利用()可以对系统进行全面的设置
  • 微软安全信息如何替换
  • win10预览版好吗
  • PACKAGER.EXE - PACKAGER是什么进程 有什么用
  • linux怎么添加一个用户
  • 批处理新建多个文件夹
  • jquery 动态加载js
  • button按钮类型
  • js字符串去掉最后两位
  • python如何调用c程序
  • js设计模型
  • 设置默认python版本
  • 河南税务机关
  • 郑州契税怎么收
  • 加强案件查办工作方案
  • 甘肃省国家税务局电子税务局
  • 地税纳税申报表
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设