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1-300000，大概是30万的用户
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 2015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=256730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。
http://rs.xidian.edu.cn/home.php?mod=space&uid=256730&do=profile
四、数据如何存储?
用数据库还是其他方案？
为了阅读方便，我们考虑用文本文件存储。
30万的用户存储在一个文本里会导致文本过大。如果程序被意外终止，30 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1000条记录，理论上可以用30个文本来存放30万条数据。
文本名称为correct1-1001.txt correct47001-48001.txt，注意：1-1001是[1,1001)，包含1，不包含1001
1、使用正则匹配找出性别
查看网页源代码
|
1
2
3
4
5
6
7
8
|
<!-- 找出性别这一栏-->
<li><em>性别</em>女</li>
还可以找到活动时间-->
<li><em>上次发表时间</em>2015-11-4 20:04</li>
<!-- 有些id不存在相应的用户，会有这样的提示-->
<p>抱歉，您指定的用户空间不存在</p>
|
我们可以利用re模块来进行正则匹配
|
1
2
3
|
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： http://tool.chinaz.com/Tools/Unicode.aspx
- 性别的Unicode 是 \u6027\u522b
- 上次活动时间 \u4e0a\u6b21\u6d3b\u52a8\u65f6\u95f4
- 抱歉，您指定的用户空间不存在
- \u62b1\u6b49\uff0c\u60a8\u6307\u5b9a\u7684\u7528\u6237\u7a7a\u95f4\u4e0d\u5b58\u5728
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
#对myurl页面进行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') #需要进行编码，否则找不到信息
timeMatch = seWord.search(html) #因为seWord是用unicode表示
if timeMatch:
s = timeMatch.groups()
return s[0]
else:
return 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。
|
1
2
|
import sys
print sys.getdefaultencoding()
|
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
|
1
2
|
reload(sys)
# sys.setdefaultencoding('utf-8')
|
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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# -*- coding: UTF-8 -*-
html = response.read()
sexRe = re.compile('em>性别</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]
|
输出
|
1
2
3
4
5
6
7
|
字符串 女
unicode 女
html = response.read()
print len(html)
html = unicode(html, 'utf-8') #
print len(html)
|
输出
|
1
2
3
4
|
html = response.read()
print len(html)
html = unicode(html, 'utf-8') #
print len(html)
|
输出
|
1
2
|
35423
33658
|
以上就是python实现爬虫统计学校BBS男女比例的前期准备和方案分析，希望对大家的学习有所帮助。