一、項目需求
前言：BBS上每個id對應一個用戶，他們注冊時候會填寫性別（男、女、保密三選一）。
經過檢查，BBS注冊用戶的id對應1-300000，大概是30萬的用戶
筆者想用Python統計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，id（涂掉了），性別，最后活躍時間】
三、實現思路
用戶性別信息在哪個頁面?
得到下面個人主頁
把后面的uid=256730數字改成其他數字，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、數據如何存儲?
用數據庫還是其他方案？
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致文本過大。如果程序被意外終止，30 萬的用戶數據需要重新爬取。
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30萬條數據。
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>上次發表時間</em>2015-11-4 20:04</li><!-- 有些id不存在相應的用戶，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 轉換 中文工具，可以用站長工具 Unicode 轉換 ASCII，ASCII 轉換 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，返回對應的性別；否則，返回None
#對myurl頁面進行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、斷網情況（熱修復方案）
- 總共爬蟲需要幾天時間，用的校園網，中間可能有斷網的可能。
- 如果發現斷網，我們可以重新連上互聯網，這中間有些用戶的性別沒有獲取到。
- 程序運行時間較長，斷一次網就重新從id=1開始跑是不科學的。而且你也不能保證這次就網一直是好的。
- 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）
- 二是服務器抽了，咱們請求網頁失敗了。
- 這種咱們也是和上面類似，記錄下失敗的id，后面再重新跑。
知識點小結
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 的默認編碼文件是用的 ANSCII 碼
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
BBS網頁源代碼使用utf-8進行編碼的。
本項目設計到中文字符，自然會遇到編碼問題。
import sysprint 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行編碼的。UTF-8是Unicode的實現方式之一，可以對中文字符進行編碼。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'
后期整理的時候發現了自己一個小問題，因為正則表達式當時用unicode來表示的，所以需要把html進行unicode轉換進行查找。
后來發現可以直接用漢字對原來的html進行查找。
# -*- 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
3542333658
以上就是python實現爬蟲統計學校BBS男女比例的前期準備和方案分析，希望對大家的學習有所幫助。
