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)

  • 所得税费用影响企业利润总额吗
  • 装修费用应该计入什么科目
  • 个人独资企业怎么取钱
  • 餐饮毛利率多少是赚钱的
  • 弥补以前年度亏损金额从哪里来的
  • 怎么从其他公司挖人
  • 一般劳务报酬和税收区别
  • 企业经营活动所需的资金的来源渠道有
  • 出售商品取得的收入300万元存入银行
  • 抵账房产财务入账
  • 所得税汇算清缴补税的会计处理
  • 劳务费发票可以含材料费吗
  • 税务局代增值税专用发票盖什么章
  • 从事旅游的小型微利企业能享受哪些优惠?
  • 员工生日福利申请
  • 残疾人就业保障金
  • 未分配利润期末余额怎么算出来
  • 药材种植政策
  • 以前年度有亏损需要交增值税吗为什么
  • 主营业务净利率和销售净利率一样吗
  • 计提减值的固定资产处置
  • 税收征收管理权是什么
  • 高新技术企业资格复核
  • 供热公司向用户提供
  • 社保跨省转移社保流程
  • 小规模纳税人可以开增值税专用发票吗
  • 老板和公司账务处理流程
  • 退税有啥影响
  • PHP:Memcached::prependByKey()的用法_Memcached类
  • windows10安装hadoop
  • 增值税专用发票查询系统官方网站
  • 银行存款的利息收入计入什么科目
  • js编写一个标准的单例模式类
  • thinkphp6依赖注入
  • 钢管租赁费如何计算
  • vue created mounted
  • 【BEV】TPVFormer复现以及原理
  • opencv官方教程
  • Cookie和Session的区别,各自的使用方法及常用操作
  • sed命令大全
  • 哪些项目可以在城镇开发边界外
  • 自产自销的农产品可以抵税吗
  • 高新技术企业福利费扣除比例
  • 研发费用加计扣除新税收政策
  • 个人所得税生产经营所得税怎么申报
  • 收入的确认规则
  • mysql的字符串
  • 高新企业申请流程
  • 定期定额个税申报应税项和计税依据为什么不相等
  • SQLserver2014(ForAlwaysOn)安装图文教程
  • server2003dns配置
  • 发票的类型分为哪几类
  • 费用支出要求
  • 委托加工物资的成本包括
  • 固定资产大修理和更新改造的区别
  • 资产组可收回金额包含完全商誉吗
  • 收到现金长时间不付款
  • 现金比率合适范围
  • 什么时候计提增值税发票
  • 库存商品过期报废的会计分录是什么
  • 开1000的增值税发票要交多少税
  • 培训费属于什么应税项目
  • 公司买茶具帐务处理流程
  • 可供出售金融资产公允价值变动
  • 企业购买的土地计入什么科目
  • sql复合语句
  • u盘装系统win8
  • 如何在linux
  • 错误代码0x8007007B
  • linuxvi编辑器三种模式
  • react组件写法
  • unity3d颜色
  • 安卓deprecated
  • 批处理常用命令总结
  • javascript密码框
  • 如何参与发票摇奖
  • 怎么在国税网站取消已申报的财务报表
  • 小微企业印花税减半政策
  • 通州税务短信
  • 青岛网上申请个体工商户
  • 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