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)

  • 所得税汇算清缴报告在哪查
  • 加工企业税收优惠政策
  • 入账价值 入账成本 入账金额
  • 机器维修费属于变动成本吗
  • 咨询费是否纳印花税
  • 个人独资企业转个体户怎么办理
  • 个人收外汇有限制吗
  • 2019年新注册公司
  • 保险公司代收车船税在发票备注栏
  • 新办企业能否享受留抵退税
  • 没收不还
  • 企业走账的会计处理
  • 平均房租
  • 租赁的设备伤人了谁的责任
  • 以前年度损益调整账务处理分录
  • 支付的各项税费包括个人所得税吗
  • 贷款利息收入要减去支付利息支出吗
  • 商贸企业加工费票计入什么科目
  • 加油充值卡有优惠吗
  • 资金账簿怎么交
  • 污泥处置中心所得税优惠政策
  • 自然人出租房屋房产税
  • 关于环保税税目正确的有
  • 定额发票2019年规定
  • 所得税纳税调增调减怎么理解
  • 技术发明案例
  • 公司账户里的钱有利息吗
  • linux修改分区uuid
  • 文件夹怎么发送不了
  • win10 专业版 企业版
  • 文化事业建设费2023年是否减免了
  • 出口收汇可以收人民币吗
  • 艾叶泡脚的功效与作用及禁忌
  • 进货返利怎么入账
  • Symfony2 session用法实例分析
  • vue.3
  • js怎样遍历对象中的每个元素
  • php处理304缓存
  • python中拼接
  • 宝塔怎么做?
  • 未入账的发票可以抵扣吗
  • 上月附加税计提多了怎么办
  • 怎么查看python
  • php策略模式和工厂模式的区别
  • 帝国cms使用手册
  • 外来原始凭证审核内容
  • 差旅费算直接人工吗
  • 分公司可以单独上市吗
  • 对公账户里的钱怎么转出来合法
  • 付款方押金无法退还
  • 企业年度报告填报时间
  • 做账的好处
  • 基层工会经费收入来源包括
  • 同城票据交换原理
  • 政府补助冲减成本
  • 企业收到退回的银行汇票多余款项时,应作的会计处理有
  • 咨询服务费可以全额扣除吗
  • 工会经费的计提比例
  • 销售回款率怎么计算,麻烦知道的告诉我,11
  • 银行借款一年按多少天计算
  • win7盘符不见了
  • win10禁用windows键
  • windows2008r2驱动包
  • 如何禁用mac内置键盘
  • mac局域网控制windows
  • win8.1优化工具
  • linux强大的网络功能
  • cocos2dx开发鸿蒙app
  • javascript中函数
  • android中使用md5后报非法延续字节
  • 应用框架的设计方法
  • android 启动器 设置
  • 安卓无法更新软件
  • node exit
  • window10脚本错误
  • jQuery插件AjaxFileUpload实现ajax文件上传
  • 新疆天山农商银行大额存单2024
  • 北京朝阳区国家税务局
  • 呼和浩特新城区政府官网
  • 内江市税务局
  • 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