位置: 编程技术 - 正文

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

编辑:rootadmin

推荐整理分享python实现爬虫统计学校BBS男女比例之多线程爬虫(二)(pythone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爬虫过程,python进行爬虫,python爬虫怎么用,pythone爬虫,python进行爬虫,python进行爬虫,python爬虫系统,内容如对您有帮助,希望把文章链接给更多的朋友!

接着第一篇继续学习。

一、数据分类

正确数据:id、性别、活动时间三者都有

放在这个文件里file1 = 'ruisi\correct%s-%s.txt' % (startNum, endNum)

数据格式为 男 -5-1 :

没有时间:有id、有性别,无活动时间

放这个文件里file2 = 'ruisi\errTime%s-%s.txt' % (startNum, endNum)

数据格式为 女 notime

用户不存在:该id没有对应的用户

放这个文件里file3 = 'ruisi\notexist%s-%s.txt' % (startNum, endNum)

数据格式为 notexist

未知性别:有id,但是性别从网页上无法得知(经检查,这种情况也没有活动时间)

放这个文件里 file4 = 'ruisi\unkownsex%s-%s.txt' % (startNum, endNum)

数据格式 unkownsex

网络错误:网断了,或者服务器故障,需要对这些id重新检查

放这个文件里 file5 = 'ruisi\httperror%s-%s.txt' % (startNum, endNum)

数据格式 httperror

如何不间断得爬虫信息

本项目有一个考虑:是不间断爬取信息,如果因为断网、BBS服务器故障啥的,我的爬虫程序就退出的话。那我们还得从间断的地方继续爬,或者更麻烦的是从头开始爬。 所以,我采取的方法是,如果遇到故障,就把这些异常的id记录下来。等一次遍历之后,才对这些异常的id进行重新爬取性别。 本文系列(一)给出了一个 getInfo(myurl, seWord),通过给定链接和给定正则表达式爬取信息。 这个函数可以用来查看性别的最后活动时间信息。 我们再定义一个安全的爬取函数,不会间断程序运行的,这儿用到try except异常处理。

这儿代码试了两次getInfo(myurl, seWord),如果第2次还是抛出异常了,就把这个id保存在file5里面 如果能获取到信息,就返回信息

依次遍历,获取id从[1,,]的用户信息

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

我们定义一个函数,这儿的思路是获取sex和time,如果有sex,进而继续判断是否有time;如果没sex,判断是否这个用户不存在还是性别无法爬取。

其中要考虑到断网或者BBS服务器故障的情况。

这儿后期检查发现了一个问题

这个代码如果断网的时候,调用了3次safeGet,每次调用都会往文本里面同一个id写多次httperror

多线程爬取信息?

数据统计可以用多线程,因为是独立的多个文本1、Popen介绍

使用Popen可以自定义标准输入、标准输出和标准错误输出。我在SAP实习的时候,项目组在linux平台下经常使用Popen,可能是因为可以方便重定向输出。

下面这段代码借鉴了以前项目组的实现方法,Popen可以调用系统cmd命令。下面3个communicate()连在一起表示要等这3个线程都结束。

疑惑? 试验了一下,必须3个communicate()紧挨着才能保证3个线程同时开启,最后等待3个线程都结束。

2、定义一个单线程的爬虫

用法:python ruisi.py <startNum> <endNum>

这段代码就是爬取[startNum, endNum)信息,输出到相应的文本里。它是一个单线程的程序,若要实现多线程的话,在外部调用它的地方实现多线程。

多线程爬虫

代码

这儿是记录时间戳的日志:

上面是多线程的Log记录,从下面可以看出,个用户平均需要s,一个id需要0.5s。*/ = .小时,大概需要两天的时间。 我们再试验一次单线程爬虫的耗时,记录如下:

我们发现一次线程爬取个用户耗时的时间也需要s,而多线程程序是3*个用户耗时s。

故多线程确实能比单线程省很多时间。

Note: 在getInfo(myurl, seWord)里有time.sleep(0.3)这样一段代码,是为了防止批判访问BBS,而被BBS拒绝访问。这个0.3s对于上文多线程和单线程的统计时间有影响。最后附上原始的,没有带时间戳的记录。(加上时间戳,可以知道程序什么时候开始爬虫的,以应对线程卡死情况。)

标签: pythone爬虫

本文链接地址:https://www.jiuchutong.com/biancheng/379967.html 转载请保留说明!

上一篇:python实现爬虫统计学校BBS男女比例(一)(利用python进行爬虫)

下一篇:python实现爬虫统计学校BBS男女比例之数据处理(三)(python爬虫过程)

  • 一般纳税人注销公司麻烦吗
  • 一般纳税人租赁费税率5%是简易征收吗?
  • 以前年度损益科目核算业务
  • 季报申报之后还可以改吗?
  • 弱电系统多少钱
  • 冲减上年度收入的会计分录
  • 一般纳税人转让二手车增值税税率
  • 税前可以扣除的有哪些费用
  • 接收商业承兑汇票需要到银行办手术吗
  • 4s店的赠品
  • 行政机关作出下列行为属于行政复议的范围
  • 网上支付的三种类型
  • 企业怎么进行税务申报
  • 2018年个体工商户增值税起征点
  • 城镇土地使用税减免税政策
  • 企业预缴所得税
  • 消费税和增值税的不同之处
  • 优先股份转让权
  • 作废的发票没有验旧丢了怎么办
  • 购车发票怎么做分录
  • 小规模纳税人没有达到起征点怎么申报附加
  • 单位预算支出包括哪些
  • 小规模开票软件服务费账务处理
  • 折旧计算方法举例
  • 注册表修改系统安装日期
  • 鸿蒙系统如何添加信任软件
  • 路由器间歇性断网怎么解决
  • 客户用商品抵应收账怎么做
  • 住房公积金如何使用
  • 总分公司企业所得税合并申报
  • 主板BIOS无法更改显存
  • PHP:iconv_mime_decode()的用法_iconv函数
  • php统计目录中文怎么写
  • 圣胡安岛战争
  • thinkphp3.x中session方法的用法分析
  • 销售提成收入证明怎么写
  • springcloud阿里巴巴
  • javascript基础书
  • php+flash+jQuery多图片上传源码分享
  • windows where命令
  • 投标代理费是什么意思
  • java开发从入门到精通
  • 驱动开发做得长久吗
  • 固定资产租赁费用的税前扣除标准
  • 认缴出资和实缴出资时间怎么填
  • 物业管理费开票类目
  • 免税产品出口是否可以退税
  • 公司应知应会的内容是什么
  • 借款合同印花税优惠政策
  • 怎么查询mysql sql_mode
  • 没有金税盘可以开专票吗
  • 运输途中发生的合理损失
  • 季度缴纳房租申请怎么写
  • 房屋装修费计入长期待摊费用
  • 小规模纳税人去银行开立什么账户
  • 跨年度发票的报表怎么填
  • 补缴以前年度企业所得税如何做账
  • 施工总包能分包土方吗
  • 未分配利润为负代表什么
  • 项目前期的研发费用
  • 季报企业所得税弥补亏损数怎么填
  • 收到红字进项发票先勾选再做转出吗
  • 怎么看发票的凭证号
  • 购入工程物资支付的增值税应计入
  • 一般纳税人抵扣进项税有时间要求吗
  • 建账是不是只需要科目余额表
  • 指定为fvtpl
  • mac显示所有窗口的快捷键
  • windowsupdate.diagcab
  • 萝卜家园光盘
  • 卸载声卡驱动有什么影响
  • win10系统怎么添加ip地址
  • js移动元素位置
  • JavaScript html5 canvas绘制时钟效果(二)
  • python二分查找非递归
  • 最大的k个数python
  • 辽宁省国家税务局官网
  • 浦东经济开发区官网
  • 房屋维修是什么职业
  • 杭州残保金2021年新政策申报时间
  • 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