位置: 编程技术 - 正文
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。
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!友情链接: 武汉网站建设