python实现爬虫统计学校BBS男女比例（三）数据处理

最新推荐文章于 2024-04-18 00:56:18 发布

学习编程知识

最新推荐文章于 2024-04-18 00:56:18 发布

阅读量2.2k

点赞数

分类专栏： python 项目实战文章标签： python 统计学数据爬虫 bbs

本文链接：https://blog.csdn.net/never_cxb/article/details/49993353

版权

项目实战同时被 2 个专栏收录

55 篇文章 0 订阅

订阅专栏

python

11 篇文章 0 订阅

订阅专栏

前言

自己实现的Python 爬虫，目的是统计学校论坛上男女用户各占多少。
转载请注明出处，文章地址如下

python实现爬虫统计学校BBS男女比例（一）前期准备、方案分析
http://blog.csdn.net/never_cxb/article/details/49934003
python实现爬虫统计学校BBS男女比例（二）多线程爬虫
http://blog.csdn.net/never_cxb/article/details/49934961
python实现爬虫统计学校BBS男女比例（三）数据处理
http://blog.csdn.net/never_cxb/article/details/49993353

数据分析

文本数据

得到了以下列字符串开头的文本数据，我们需要进行处理

名称	特性
correct	此id的性别、活动时间都存在
errTime	此id的性别有，活动时间无（改成noTime可能更好）
unkownsex	此id的性别无法得知
notexist	此id不存在相应用户
httperror	此id由于服务器故障，需要回滚处理

回滚

我们需要对httperror的数据进行再处理

因为代码的原因，具体可见本系列文章（二），会导致文本里面同一个id连续出现几次httperror记录：

//httperror265001_266001.txt
265002 httperror
265002 httperror
265002 httperror
265002 httperror
265003 httperror
265003 httperror
265003 httperror
265003 httperror

所以我们在代码里要考虑这种情形，不能每一行的id都进行处理，是判断是否重复的id。

java里面有缓存方法可以避免频繁读取硬盘上的文件，python其实也有，可以见这篇文章。

def main():
    reload(sys)
    sys.setdefaultencoding('utf-8')
    global sexRe,timeRe,notexistRe,url1,url2,file1,file2,file3,file4,startNum,endNum,file5
    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<')
    url1 = 'http://rs.xidian.edu.cn/home.php?mod=space&uid=%s'
    url2 = 'http://rs.xidian.edu.cn/home.php?mod=space&uid=%s&do=profile'
    file1 = 'ruisi\\correct_re.txt'
    file2 = 'ruisi\\errTime_re.txt'
    file3 = 'ruisi\\notexist_re.txt'
    file4 = 'ruisi\\unkownsex_re.txt'
    file5 = 'ruisi\\httperror_re.txt'

    #遍历文件夹里面以httperror开头的文本
    for filename in os.listdir(r'E:\pythonProject\ruisi'):
        if filename.startswith('httperror'):
            count = 0
            newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
            readFile = open(newName,'r')
            oldLine = '0'
            for line in readFile:
                #newLine 用来比较是否是重复的id
                newLine =  line
                if (newLine != oldLine):
                    nu = newLine.split()[0]
                    oldLine = newLine
                    count += 1
                    searchWeb((int(nu),))
            print "%s deal %s lines" %(filename, count)

本代码为了简便，没有再把httperror的那些id分类，直接存储为下面这5个文件里

    file1 = 'ruisi\\correct_re.txt'
    file2 = 'ruisi\\errTime_re.txt'
    file3 = 'ruisi\\notexist_re.txt'
    file4 = 'ruisi\\unkownsex_re.txt'
    file5 = 'ruisi\\httperror_re.txt'

可以看下输出Log记录，总共处理了多少个httperror的数据。

"D:\Program Files\Python27\python.exe" E:/pythonProject/webCrawler/reload.py
httperror132001-133001.txt deal 21 lines
httperror2001-3001.txt deal 4 lines
httperror251001-252001.txt deal 5 lines
httperror254001-255001.txt deal 1 lines

单线程统计 unkownsex 数据

代码简单，我们利用单线程统计一下unkownsex（由于权限原因无法获取、或者该用户没有填写）的用户。另外，经过我们检查，没有性别的用户也是没有活动时间的。

数据格式如下：

253042 unkownsex
253087 unkownsex
253102 unkownsex
253118 unkownsex
253125 unkownsex
253136 unkownsex
253161 unkownsex

import os,time
sumCount = 0

startTime = time.clock()

for filename in os.listdir(r'E:\pythonProject\ruisi'):
    if filename.startswith('unkownsex'):
        count = 0
        newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
        readFile = open(newName,'r')
        for line in open(newName):
            count += 1
            sumCount +=1
        print "%s deal %s lines" %(filename, count)
print '%s unkowns sex' %(sumCount)

endTime = time.clock()
print "cost time " + str(endTime - startTime) + " s"

处理速度很快，输出如下：

unkownsex1-1001.txt deal 204 lines
unkownsex100001-101001.txt deal 50 lines
unkownsex10001-11001.txt deal 206 lines
#...省略中间输出信息
unkownsex99001-100001.txt deal 56 lines
unkownsex_re.txt deal 1085 lines
14223 unkowns sex
cost time 0.0813142301261 s

单线程统计 correct 数据

数据格式如下：

31024 男 2014-11-11 13:20
31283 男 2013-3-25 19:41
31340 保密 2015-2-2 15:17
31427 保密 2014-8-10 09:17
31475 保密 2013-7-2 08:59
31554 保密 2014-10-17 17:02
31621 男 2015-5-16 19:27
31872 保密 2015-1-11 16:49
31915 保密 2014-5-4 11:01
31997 保密 2015-5-16 20:14

代码如下，实现思路就是一行一行读取，利用line.split()获取性别信息。sumCount 是统计一个多少人，boycount 、girlcount 、secretcount 分别统计男、女、保密的人数。我们还是利用unicode进行正则匹配。

import os,sys,time
reload(sys)
sys.setdefaultencoding('utf-8')
startTime = time.clock()
sumCount = 0
boycount = 0
girlcount = 0
secretcount = 0
for filename in os.listdir(r'E:\pythonProject\ruisi'):
    if filename.startswith('correct'):
        newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
        readFile = open(newName,'r')
        for line in readFile:
            sexInfo = line.split()[1]
            sumCount +=1
            if sexInfo == u'\u7537' :
                boycount += 1
            elif sexInfo == u'\u5973':
                girlcount +=1
            elif sexInfo == u'\u4fdd\u5bc6':
                secretcount +=1
        print "until %s, sum is %s boys; %s girls; %s secret;" %(filename, boycount,girlcount,secretcount)
print "total is %s;  %s boys; %s girls; %s secret;" %(sumCount, boycount,girlcount,secretcount)
endTime = time.clock()
print "cost time " + str(endTime - startTime) + " s"

注意，我们输出的是截止某个文件的统计信息，而不是单个文件的统计情况。输出结果如下：

until correct1-1001.txt, sum is 110 boys; 7 girls; 414 secret;
until correct100001-101001.txt, sum is 125 boys; 13 girls; 542 secret;
#...省略
until correct99001-100001.txt, sum is 11070 boys; 3113 girls; 26636 secret;
until correct_re.txt, sum is 13937 boys; 4007 girls; 28941 secret;
total is 46885;  13937 boys; 4007 girls; 28941 secret;
cost time 3.60047888495 s

多线程统计数据

为了更快统计，我们可以利用多线程。
作为对比，我们试下单线程需要的时间。

# encoding: UTF-8
import threading
import time,os,sys

#全局变量
SUM = 0
BOY = 0
GIRL = 0
SECRET = 0
NUM =0

#本来继承自threading.Thread，覆盖run()方法，用start()启动线程
#这和java里面很像
class StaFileList(threading.Thread):
    #文本名称列表
    fileList = []

    def __init__(self, fileList):
        threading.Thread.__init__(self)
        self.fileList = fileList

    def run(self):
        global SUM, BOY, GIRL, SECRET
        #可以加上个耗时时间，这样多线程更加明显，而不是顺序的thread-1,2,3
        #time.sleep(1)
        #acquire获取锁
        if mutex.acquire(1):
            self.staFiles(self.fileList)
            #release释放锁
            mutex.release()

    #处理输入的files列表，统计男女人数
    #注意这儿数据同步问题，global使用全局变量
    def staFiles(self, files):
        global SUM, BOY, GIRL, SECRET
        for name in  files:
            newName = 'E:\\pythonProject\\ruisi\\%s' % (name)
            readFile = open(newName,'r')
            for line in readFile:
                sexInfo = line.split()[1]
                SUM +=1
                if sexInfo == u'\u7537' :
                    BOY += 1
                elif sexInfo == u'\u5973':
                    GIRL +=1
                elif sexInfo == u'\u4fdd\u5bc6':
                    SECRET +=1
            # print "thread %s, until %s, total is %s; %s boys; %s girls;" \
            #       " %s secret;" %(self.name, name, SUM, BOY,GIRL,SECRET)


def test():
    #files保存多个文件，可以设定一个线程处理多少个文件
    files = []

    #用来保存所有的线程，方便最后主线程等待所以子线程结束
    staThreads = []
    i = 0
    for filename in os.listdir(r'E:\pythonProject\ruisi'):
        #没获取10个文本，就创建一个线程
        if filename.startswith('correct'):
            files.append(filename)
            i+=1
            #一个线程处理20个文件
            if i == 20 :
                staThreads.append(StaFileList(files))
                files = []
                i = 0
    #最后剩余的files，很可能长度不足10个
    if files:
        staThreads.append(StaFileList(files))

    for t in staThreads:
        t.start()
    # 主线程中等待所有子线程退出，如果不加这个，速度更快些？
    for t in staThreads:
        t.join()



if __name__ == '__main__':
    reload(sys)
    sys.setdefaultencoding('utf-8')
    startTime = time.clock()
    mutex = threading.Lock()
    test()
    print "Multi Thread, total is %s;  %s boys; %s girls; %s secret;" %(SUM, BOY,GIRL,SECRET)
    endTime = time.clock()
    print "cost time " + str(endTime - startTime) + " s"

输出

Multi Thread, total is 46885;  13937 boys; 4007 girls; 28941 secret;
cost time 0.132137192794 s

我们发现时间和单线程差不多。因为这儿涉及到线程同步问题，获取锁和释放锁都是需要时间开销的，线程间切换保存中断和恢复中断也都是需要时间开销的。

较多数据的单线程和多线程对比

我们可以对correct、errTime 、unkownsex的文本都进行处理。
单线程代码

# coding=utf-8
import os,sys,time
reload(sys)
sys.setdefaultencoding('utf-8')
startTime = time.clock()
sumCount = 0
boycount = 0
girlcount = 0
secretcount = 0
unkowncount = 0
for filename in os.listdir(r'E:\pythonProject\ruisi'):
    # 有性别、活动时间
    if filename.startswith('correct') :
        newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
        readFile = open(newName,'r')
        for line in readFile:
            sexInfo =line.split()[1]
            sumCount +=1
            if sexInfo == u'\u7537' :
                boycount += 1
            elif sexInfo == u'\u5973':
                girlcount +=1
            elif sexInfo == u'\u4fdd\u5bc6':
                secretcount +=1
        # print "until %s, sum is %s boys; %s girls; %s secret;" %(filename, boycount,girlcount,secretcount)
    #没有活动时间，但是有性别
    elif filename.startswith("errTime"):
        newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
        readFile = open(newName,'r')
        for line in readFile:
            sexInfo =line.split()[1]
            sumCount +=1
            if sexInfo == u'\u7537' :
                boycount += 1
            elif sexInfo == u'\u5973':
                girlcount +=1
            elif sexInfo == u'\u4fdd\u5bc6':
                secretcount +=1
        # print "until %s, sum is %s boys; %s girls; %s secret;" %(filename, boycount,girlcount,secretcount)
    #没有性别，也没有时间，直接统计行数
    elif filename.startswith("unkownsex"):
        newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
        # count = len(open(newName,'rU').readlines())
        #对于大文件用循环方法，count 初始值为 -1 是为了应对空行的情况，最后+1得到0行
        count = -1
        for count, line in enumerate(open(newName, 'rU')):
            pass
        count += 1
        unkowncount += count
        sumCount += count
        # print "until %s, sum is %s unkownsex" %(filename, unkowncount)



print "Single Thread, total is %s;  %s boys; %s girls; %s secret; %s unkownsex;" %(sumCount, boycount,girlcount,secretcount,unkowncount)
endTime = time.clock()
print "cost time " + str(endTime - startTime) + " s"

输出为

Single Thread, total is 61111;  13937 boys; 4009 girls; 28942 secret; 14223 unkownsex;
cost time 1.37444645628 s

多线程代码

__author__ = 'admin'
# encoding: UTF-8
#多线程处理程序
import threading
import time,os,sys

#全局变量
SUM = 0
BOY = 0
GIRL = 0
SECRET = 0
UNKOWN = 0

class StaFileList(threading.Thread):
    #文本名称列表
    fileList = []

    def __init__(self, fileList):
        threading.Thread.__init__(self)
        self.fileList = fileList

    def run(self):
        global SUM, BOY, GIRL, SECRET
        if mutex.acquire(1):
            self.staManyFiles(self.fileList)
            mutex.release()

    #处理输入的files列表，统计男女人数
    #注意这儿数据同步问题
    def staCorrectFiles(self, files):
        global SUM, BOY, GIRL, SECRET
        for name in  files:
            newName = 'E:\\pythonProject\\ruisi\\%s' % (name)
            readFile = open(newName,'r')
            for line in readFile:
                sexInfo = line.split()[1]
                SUM +=1
                if sexInfo == u'\u7537' :
                    BOY += 1
                elif sexInfo == u'\u5973':
                    GIRL +=1
                elif sexInfo == u'\u4fdd\u5bc6':
                    SECRET +=1
            # print "thread %s, until %s, total is %s; %s boys; %s girls;" \
            #       " %s secret;" %(self.name, name, SUM, BOY,GIRL,SECRET)

    def staManyFiles(self, files):
        global SUM, BOY, GIRL, SECRET,UNKOWN
        for name in  files:
            if name.startswith('correct') :
                newName = 'E:\\pythonProject\\ruisi\\%s' % (name)
                readFile = open(newName,'r')
                for line in readFile:
                    sexInfo = line.split()[1]
                    SUM +=1
                    if sexInfo == u'\u7537' :
                        BOY += 1
                    elif sexInfo == u'\u5973':
                        GIRL +=1
                    elif sexInfo == u'\u4fdd\u5bc6':
                        SECRET +=1
                # print "thread %s, until %s, total is %s; %s boys; %s girls;" \
                #       " %s secret;" %(self.name, name, SUM, BOY,GIRL,SECRET)
            #没有活动时间，但是有性别
            elif name.startswith("errTime"):
                newName = 'E:\\pythonProject\\ruisi\\%s' % (name)
                readFile = open(newName,'r')
                for line in readFile:
                    sexInfo = line.split()[1]
                    SUM +=1
                    if sexInfo == u'\u7537' :
                        BOY += 1
                    elif sexInfo == u'\u5973':
                        GIRL +=1
                    elif sexInfo == u'\u4fdd\u5bc6':
                        SECRET +=1
                # print "thread %s, until %s, total is %s; %s boys; %s girls;" \
                #       " %s secret;" %(self.name, name, SUM, BOY,GIRL,SECRET)
            #没有性别，也没有时间，直接统计行数
            elif name.startswith("unkownsex"):
                newName = 'E:\\pythonProject\\ruisi\\%s' % (name)
                # count = len(open(newName,'rU').readlines())
                #对于大文件用循环方法，count 初始值为 -1 是为了应对空行的情况，最后+1得到0行
                count = -1
                for count, line in enumerate(open(newName, 'rU')):
                    pass
                count += 1
                UNKOWN += count
                SUM += count
                # print "thread %s, until %s, total is %s; %s unkownsex" %(self.name, name, SUM, UNKOWN)


def test():
    files = []
    #用来保存所有的线程，方便最后主线程等待所以子线程结束
    staThreads = []
    i = 0
    for filename in os.listdir(r'E:\pythonProject\ruisi'):
        #没获取10个文本，就创建一个线程
        if filename.startswith("correct") or filename.startswith("errTime")  or filename.startswith("unkownsex"):
            files.append(filename)
            i+=1
            if i == 20 :
                staThreads.append(StaFileList(files))
                files = []
                i = 0
    #最后剩余的files，很可能长度不足10个
    if files:
        staThreads.append(StaFileList(files))

    for t in staThreads:
        t.start()
    # 主线程中等待所有子线程退出
    for t in staThreads:
        t.join()



if __name__ == '__main__':
    reload(sys)
    sys.setdefaultencoding('utf-8')
    startTime = time.clock()
    mutex = threading.Lock()
    test()
    print "Multi Thread, total is %s;  %s boys; %s girls; %s secret; %s unkownsex" %(SUM, BOY,GIRL,SECRET,UNKOWN)
    endTime = time.clock()
    print "cost time " + str(endTime - startTime) + " s"
    endTime = time.clock()
    print "cost time " + str(endTime - startTime) + " s"

输出为

Multi Thread, total is 61111;  13937 boys; 4009 girls; 28942 secret;
cost time 1.23049112201 s

可以看出多线程还是优于单线程的，由于使用的同步，数据统计是一直的。

总结思考

注意python在类内部经常需要加上self，这点和java区别很大。

    def __init__(self, fileList):
        threading.Thread.__init__(self)
        self.fileList = fileList

    def run(self):
        global SUM, BOY, GIRL, SECRET
        if mutex.acquire(1):
            #调用类内部方法需要加self
            self.staFiles(self.fileList)
            mutex.release()

参考文章

python多线程编程(3): 使用互斥锁同步线程

total is 61111;  13937 boys; 4009 girls; 28942 secret; 14223 unkownsex;
cost time 1.25413238673 s

学习编程知识

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
python实现爬虫统计学校BBS男女比例（三）数据处理

数据分析得到了以下列字符串开头的文本数据，我们需要进行处理名称特性 correct 此id的性别、活动时间都存在 errTime 此id的性别有，活动时间无（改成noTime可能更好） unkownsex 此id的性别无法得知 notexist 此id不存在相应用户 httperror 此id由于服务器故障，需要回滚处理回滚我们需要对httper
复制链接

扫一扫