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)

  • 弥补亏损的应纳税额 例子
  • 税收对国家的影响及地位
  • 广东税务是什么
  • 临时税务登记的小规模纳税人 个人所得税如何申报
  • 项目固定资产投资包括
  • 个体工商户营业执照需要什么材料
  • 年金的扣费标准
  • 关联交易纳税调整期限
  • 税控盘锁死日期查询
  • 报税时资产总额怎么填
  • 小规模纳税人收到专票后如何处理
  • 退休工资缴纳个人所得税税率表
  • 个税生产经营申报流程
  • 1元转让股权账务实
  • 公司注销后应收款能打到法人账户吗
  • 城建税及教育附加税怎么算
  • 应付职工薪酬明细账模板
  • 失业稳岗补贴要交所得税吗
  • 固定资产已折旧完报废如何处理
  • 缴纳印花税需要计提吗?
  • 外贸企业需要交哪些税费
  • 投资收益涉及税种
  • 2017企业所得税小微企业优惠政策
  • 增值税附加税包含哪些税
  • 租金一次性付清的账务处理
  • 特种设备培训费计入什么会计科目
  • 年底分红如何计税
  • 工资发错了,多发了怎么办
  • 跨月预缴如何做账
  • 职工教育经费培训费扣除比例
  • 收到生育津贴会计分录
  • 资产负债表中的固定资产怎么算
  • 关闭windows defender实时防护
  • 收到人才引进补助会计分录
  • 深度deepin系统安装教程
  • win11 桌面右键
  • 结转代销产品成本会计分录
  • win10系统安装详细步骤
  • 最早的操作系统被称为什么操作系统
  • 柏林亚历山大广场1980
  • 投资收益影响营业利润和利润总额吗
  • 委托研发技术合同登记
  • 如何使用应用程序
  • 慰问金计入什么预算科目
  • 出租设备折旧费用计入什么科目
  • 小规模申报增值税减免税申报明细表
  • 土地增值税的相关问题
  • 网上银行回单可以做账吗
  • 增值税和个人所得税怎么算
  • 收到待报解预算收入是国家退的税吗
  • 所得税需要转本吗
  • 企业如果为员工缴纳社保
  • 社保如何做分录报销
  • 一般纳税人的进项税率是多少
  • mssql server 2012(SQL2012)各版本功能对比
  • 最基本的长度单位是什么
  • 记一次成功的喜悦作文
  • asm是啥
  • ubuntu20 server
  • ubuntu16.04添加用户
  • win7检测有错误怎么办
  • 内核版本能升级吗
  • mac新建窗口快捷键
  • linux版vnc
  • windows8 1
  • virtualbox怎么打开虚拟机
  • css设置表格隔行换色
  • jQuery Ajax File Upload实例源码
  • linux中tar
  • jquery判断div是否显示
  • js window.screen
  • 江苏省国家税务局总局官网
  • 地税局公务员考试科目
  • 自来水征税
  • 个人进口关税税率
  • 国税局云南省电子税务局
  • 宿州税务总局
  • 我的电脑软件下载
  • 广州市公安局分局待遇
  • 加油的增值税发票可以抵扣吗
  • 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