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)

  • 自然人扣缴系统初次登录怎么设置密码
  • 广告服务收入要计入什么科目
  • 收到应收账款逾期短信
  • 自己申报个人所得税需要补缴,必须自己申报自己补缴吗
  • 增值税专用发票使用规定 最新
  • 股东投入的资金怎么做账
  • 房产税计税依据含税还是不含税
  • 处置全资子公司税务处理
  • 研发项目领原料加工成产品会计处理是怎样的?
  • 按公允价值计量是什么意思
  • 进项税暂估收入的税务处理
  • 年终一次性奖金个税计算
  • 房产交易会涉及哪些费用
  • 公司个人所得税怎么申报
  • 在建工程完工,并当日签订出租协议的会计分录
  • 分公司非独立核算是什么意思
  • 认缴实收资本印花税什么时候交
  • 工程完工财务要做些什么
  • 税费是哪个会计科目?
  • 季度收入超过30万但开票只有10万
  • 房地产开发企业所得税管理办法
  • 公司的资产负债表包括
  • 网络不通怎么拼ip
  • 前任会计很多错账
  • word基本怎么使用
  • php字符串函数大全
  • 固定资产如何做账务处理
  • 收到银行汇票怎么背书
  • 贷款减值损失准备怎么算
  • 购进的货物
  • 摊销账务处理会计分录
  • 工业企业采购部工作职责
  • 会计政策变更属于经营情况变化吗
  • 现金日记账的填制要求
  • 公司的财产保险包括哪些
  • 季度报表本期金额和累计金额
  • npm ERR! notarget No matching version found for xxx@^1.0.64. npm 插件安装失败
  • 计算机视觉技术的应用
  • 结转出口退税分录
  • 游戏microsoft visual c++ runtime
  • 律师事务所可不可以对外投资呢
  • 进项税额转出加计抵减会计分录
  • 在建工程明细科目有土地使用权摊销吗
  • 账户利息怎么计算
  • 进出口总额用什么字母表示
  • sql2014附加数据库失败
  • 超出python用什么
  • 企业有哪些固定资产
  • 个人所得税的计算公式方法Excel
  • 土地使用权的核算
  • 怎么计算土地增值税收入
  • 合并报表抵消分录的基本原理
  • 房租增值税专票税点
  • 国家规定房屋买卖中介费
  • 汽车折旧年限及残值率是多少
  • 民办学校学费收入
  • 应收其他应收区别
  • 事业单位私车公用如何处罚
  • 房地产会计如何报税
  • 财务大写金额书写样板
  • sql如何查出重复的数据
  • 便签windows
  • 系统升级中怎么办
  • 苹果怎么格式化彻底
  • u盘启动安装xp系统教程
  • win7系统安装谷歌浏览器
  • win8怎么禁止弹窗
  • perl-v
  • perl获取文件名
  • js中写for循环
  • git pull could not read from remote repository
  • unity text
  • Android - DrawerLayout的使用
  • jquery的点击事件怎么写
  • 示例代码
  • 广州地税预约网官网
  • 政府无偿划拨土地涉及的税费
  • 信用社股金分红时间
  • 地税登记证和税务登记证是一样的吗
  • 企业党支部怎么称呼
  • 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