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)

  • 所得税的会计分录有哪些
  • 设备转产需要停止折旧吗
  • 公积金个人缴纳多少
  • 文化建设税减免到什么时候
  • 金税四期怎么监控应收账款
  • 辞退员工补偿金是按实发工资算还是应发
  • 红字发票抵扣联丢了怎么办
  • 其他现代服务业能开哪些税目
  • 公司帮其他单位开发票违法吗
  • 农产品销售发票可以抵扣吗?
  • 如何快速整理会计凭证
  • 财政补助收入怎么结转
  • 暂估出库是什么意思
  • 管理费用是负的是什么意思
  • 返聘人员工伤可以申请工伤鉴定吗
  • 非公司私营企业属于什么类型
  • 物业管理费什么时候交?
  • 企业房租收入营改增
  • 装修费算固定资产吗?
  • 收入税金摘要怎么写
  • 出口退税申报里汇率计算方式选择
  • 费用提多了利润少了所得税是如何调整?
  • 行程单的金额怎么算
  • 长期债权投资收回的利息 现金流量表
  • 收据入账会计分录
  • 3gwifi怎么用
  • vue-admin-master
  • laravel 使用redis
  • vue2.0解决跨域问题
  • 非关联企业借款利息扣除
  • Vue3通透教程【十四】TS复杂类型详解(一)
  • php中.的作用
  • php短链接api
  • php发送post请求api
  • php公众号开发框架
  • 游戏ai模式是什么意思
  • ros机器人自主导航中膨胀地图图层的颜色
  • 云E办接口文档
  • php如何上传1个g以上的文件
  • 加盟代理需要什么手续
  • 出口退税率和进项税额
  • 财务管理中的折现率是指什么
  • 工程公司收到工程款会计分录
  • 小规模纳税人增值税专用发票税率
  • mysql Non-Transactional Database Only(只支持MyISAM)
  • 工会经费付款分录
  • 收到银行承兑汇票怎么兑现
  • 所得税退税可以不退吗
  • 房地产企业账务处理所用科目
  • 无法支付其他应付款核销条件
  • 税金及附加的核算范围
  • 无形资产摊销如何记账
  • SQL中distinct 和 row_number() over() 的区别及用法
  • windows自动执行
  • solaris安装软件包
  • 笔记本开机白屏进不了桌面
  • Win10 Mobile 10572 预览版已修复和已知问题汇总
  • spyagent4.exe - spyagent4是什么进程
  • win8如何进行系统还原
  • win7系统打印服务怎么开启
  • win8磁盘分区合并
  • 如何彻底删除超级QQ秀
  • 微软反盗xp黑屏怎么办
  • executor进程
  • url是什么文件怎么打开
  • win7 安装系统
  • 用linux配置ftp服务器的过程
  • 层序遍历递归实现
  • ie版本过低怎么升级win7
  • python的linux
  • Node.js中的包管理工具是什么
  • Node.js中的什么模块是用于处理文件和目录的
  • php绘制图形函数
  • node.js ajax
  • shell脚本实现Linux运维监控
  • 浅谈python 四种数值类型(int,long,float,complex)
  • 买房送地下室土地可以吗
  • 开具红字增值税专用发票通知单
  • 印花税怎么计提和结转
  • 2021年房产税收新政
  • 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