python实现爬虫统计学校BBS男女比例（一）

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

<!-- 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

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

#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。

import sysprint 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

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。

# -*- 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

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

输出

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

输出

3542333658