一、項目需求

前言：BBS上每個id對應(yīng)一個用戶，他們注冊時候會填寫性別（男、女、保密三選一）。

經(jīng)過檢查，BBS注冊用戶的id對應(yīng)1-300000，大概是30萬的用戶

筆者想用Python統(tǒng)計BBS上有多少注冊用戶，以及這些用戶的性別分布

順帶可以統(tǒng)計最近活動用戶是多少，其中男、女、保密各占多少

活動用戶的限定為“上次活動時間”為 2015年

二、最終結(jié)果

性別信息保存在文本里，一行表示一個用戶的信息，各列分別表示
【行數(shù)，id（涂掉了），性別，最后活躍時間】

三、實現(xiàn)思路

用戶性別信息在哪個頁面?

得到下面?zhèn)€人主頁

把后面的uid=256730數(shù)字改成其他數(shù)字，就可以得到其他人的主頁。

另外，如果上面的鏈接無法得到性別，可以再通過這個鏈接，也是修改uid可以訪問其他人主頁。

http://rs.xidian.edu.cn/home.php?mod=space&uid=256730&do=profile

四、數(shù)據(jù)如何存儲?

用數(shù)據(jù)庫還是其他方案？

為了閱讀方便，我們考慮用文本文件存儲。

30萬的用戶存儲在一個文本里會導(dǎo)致文本過大。如果程序被意外終止，30 萬的用戶數(shù)據(jù)需要重新爬取。

我們我們考慮一個文本里存放1000條記錄，理論上可以用30個文本來存放30萬條數(shù)據(jù)。

文本名稱為correct1-1001.txt correct47001-48001.txt，注意：1-1001是[1,1001)，包含1，不包含1001

1、使用正則匹配找出性別

查看網(wǎng)頁源代碼

<!-- 找出性別這一欄-->
<li><em>性別</em>女</li>

還可以找到活動時間-->
<li><em>上次發(fā)表時間</em>2015-11-4 20:04</li>

<!-- 有些id不存在相應(yīng)的用戶，會有這樣的提示-->
<p>抱歉，您指定的用戶空間不存在</p>

我們可以利用re模塊來進(jìn)行正則匹配

sexRe = re.compile(u'em>\u6027\u522b</em>(.*?)</li')
timeRe = re.compile(u'em>\u4e0a\u6b21\u6d3b\u52a8\u65f6\u95f4</em>(.*?)</li')
notexistRe = re.compile(u'(p>)\u62b1\u6b49\uff0c\u60a8\u6307\u5b9a\u7684\u7528\u6237\u7a7a\u95f4\u4e0d\u5b58\u5728<')

因為中文的原因，需要Unicode 轉(zhuǎn)換 中文工具，可以用站長工具 Unicode 轉(zhuǎn)換 ASCII，ASCII 轉(zhuǎn)換 Unicode，比如下面這個鏈接： http://tool.chinaz.com/Tools/Unicode.aspx

• 性別的Unicode 是 \u6027\u522b
• 上次活動時間 \u4e0a\u6b21\u6d3b\u52a8\u65f6\u95f4
• 抱歉，您指定的用戶空間不存在
• \u62b1\u6b49\uff0c\u60a8\u6307\u5b9a\u7684\u7528\u6237\u7a7a\u95f4\u4e0d\u5b58\u5728

這兒是簡單獲取性別的源代碼，通過urllib2對鏈接myurl發(fā)送一個get請求，將得到的html保存下來。注意編碼問題unicode(html, 'utf-8')，然后對html正則匹配seWord。

如果該用戶有性別信息，返回對應(yīng)的性別；否則，返回None

#對myurl頁面進(jìn)行seWord匹配查找
#seWord是用unicode表示
def getInfo(myurl, seWord):
  headers = {
    'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
  }
  req = urllib2.Request(
    url=myurl,
    headers=headers
  )
  time.sleep(0.3)
  response = urllib2.urlopen(req)
  html = response.read()
  html = unicode(html, 'utf-8') #需要進(jìn)行編碼，否則找不到信息
  timeMatch = seWord.search(html) #因為seWord是用unicode表示
  if timeMatch:
    s = timeMatch.groups()
    return s[0]
  else:
    return None

五、錯誤處理

1、斷網(wǎng)情況（熱修復(fù)方案）

• 總共爬蟲需要幾天時間，用的校園網(wǎng)，中間可能有斷網(wǎng)的可能。
• 如果發(fā)現(xiàn)斷網(wǎng)，我們可以重新連上互聯(lián)網(wǎng)，這中間有些用戶的性別沒有獲取到。
• 程序運(yùn)行時間較長，斷一次網(wǎng)就重新從id=1開始跑是不科學(xué)的。而且你也不能保證這次就網(wǎng)一直是好的。
• 為了不讓程序重頭開始跑，所以我們是記錄下斷網(wǎng)中漏掉的用戶id。
• 等一次程序跑完了（這需要幾天的時間），我們再跑記錄下來的id重新跑一次。

2、無法獲取性別

• 這種有兩種情況:
• 一是真的沒有性別（用戶沒有填寫）
• 二是服務(wù)器抽了，咱們請求網(wǎng)頁失敗了。
• 這種咱們也是和上面類似，記錄下失敗的id，后面再重新跑。
  

知識點(diǎn)小結(jié)

對于這種錯誤，SyntaxError: Non-ASCII character '\xe5' in file

需要在文件開頭加上# -*- coding: UTF-8 -*-

因為 python 的默認(rèn)編碼文件是用的 ANSCII 碼

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
BBS網(wǎng)頁源代碼使用utf-8進(jìn)行編碼的。

本項目設(shè)計到中文字符，自然會遇到編碼問題。

import sys
print sys.getdefaultencoding()

輸出 ascii
從上面的代碼可以看出 sys.defaultencoding 是 ANSCII，ANSCII是無法對中文字符進(jìn)行編碼的。UTF-8是Unicode的實現(xiàn)方式之一，可以對中文字符進(jìn)行編碼。遇到中文字符，我們需要加上這行代碼

reload(sys)
# sys.setdefaultencoding('utf-8')

更改 sys.defaultencoding 為'utf-8'

后期整理的時候發(fā)現(xiàn)了自己一個小問題，因為正則表達(dá)式當(dāng)時用unicode來表示的，所以需要把html進(jìn)行unicode轉(zhuǎn)換進(jìn)行查找。
后來發(fā)現(xiàn)可以直接用漢字對原來的html進(jìn)行查找。

# -*- coding: UTF-8 -*-
  html = response.read()
  sexRe = re.compile('em>性別</em>(.*?)</li')

  timeMatch = sexRe.search(html)
  if timeMatch:
    s = timeMatch.groups()
    print "字符串 "+s[0]


  html = unicode(html, 'utf-8')
  sexRe = re.compile(u'em>\u6027\u522b</em>(.*?)</li')
  timeMatch = sexRe.search(html)
  if timeMatch:
    s = timeMatch.groups()
    print "unicode " +s[0]

輸出

字符串 女
unicode 女

  html = response.read()
  print len(html)
  html = unicode(html, 'utf-8') #
  print len(html)

輸出 

html = response.read()
  print len(html)
  html = unicode(html, 'utf-8') #
  print len(html)

輸出

35423
33658

以上就是python實現(xiàn)爬蟲統(tǒng)計學(xué)校BBS男女比例的前期準(zhǔn)備和方案分析，希望對大家的學(xué)習(xí)有所幫助。

最新評論