python實現(xiàn)爬蟲統(tǒng)計學(xué)校BBS男女比例之?dāng)?shù)據(jù)處理（三）
更新時間：2015年12月31日 16:30:48 作者：學(xué)習(xí)編程知識
這篇文章主要介紹了python實現(xiàn)爬蟲統(tǒng)計學(xué)校BBS男女比例之?dāng)?shù)據(jù)處理，需要的朋友可以參考下
本文主要介紹了數(shù)據(jù)處理方面的內(nèi)容，希望大家仔細閱讀。
一、數(shù)據(jù)分析
得到了以下列字符串開頭的文本數(shù)據(jù)，我們需要進行處理
二、回滾
我們需要對httperror的數(shù)據(jù)進行再處理
因為代碼的原因，具體可見本系列文章（二），會導(dǎo)致文本里面同一個id連續(xù)出現(xiàn)幾次httperror記錄：
//httperror265001_266001.txt 265002 httperror 265002 httperror 265002 httperror 265002 httperror 265003 httperror 265003 httperror 265003 httperror 265003 httperror
所以我們在代碼里要考慮這種情形，不能每一行的id都進行處理，是判斷是否重復(fù)的id。
java里面有緩存方法可以避免頻繁讀取硬盤上的文件，python其實也有，可以見這篇文章。
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'
#遍歷文件夾里面以httperror開頭的文本
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 用來比較是否是重復(fù)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)
本代碼為了簡便，沒有再把httperror的那些id分類，直接存儲為下面這5個文件里
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'
可以看下輸出Log記錄，總共處理了多少個httperror的數(shù)據(jù)。
"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
三、單線程統(tǒng)計unkownsex 數(shù)據(jù)
代碼簡單，我們利用單線程統(tǒng)計一下unkownsex（由于權(quán)限原因無法獲取、或者該用戶沒有填寫）的用戶。另外，經(jīng)過我們檢查，沒有性別的用戶也是沒有活動時間的。
數(shù)據(jù)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"
處理速度很快，輸出如下：
unkownsex1-1001.txt deal 204 lines unkownsex100001-101001.txt deal 50 lines unkownsex10001-11001.txt deal 206 lines #...省略中間輸出信息 unkownsex99001-100001.txt deal 56 lines unkownsex_re.txt deal 1085 lines 14223 unkowns sex cost time 0.0813142301261 s
四、單線程統(tǒng)計 correct 數(shù)據(jù)
數(shù)據(jù)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
代碼如下，實現(xiàn)思路就是一行一行讀取，利用line.split()獲取性別信息。sumCount 是統(tǒng)計一個多少人，boycount 、girlcount 、secretcount 分別統(tǒng)計男、女、保密的人數(shù)。我們還是利用unicode進行正則匹配。
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，我們輸出的是截止某個文件的統(tǒng)計信息，而不是單個文件的統(tǒng)計情況。輸出結(jié)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
五、多線程統(tǒng)計數(shù)據(jù)
為了更快統(tǒng)計，我們可以利用多線程。
作為對比，我們試下單線程需要的時間。
# encoding: UTF-8
import threading
import time,os,sys
#全局變量
SUM = 0
BOY = 0
GIRL = 0
SECRET = 0
NUM =0
#本來繼承自threading.Thread，覆蓋run()方法，用start()啟動線程
#這和java里面很像
class StaFileList(threading.Thread):
#文本名稱列表
fileList = []
def __init__(self, fileList):
threading.Thread.__init__(self)
self.fileList = fileList
def run(self):
global SUM, BOY, GIRL, SECRET
#可以加上個耗時時間，這樣多線程更加明顯，而不是順序的thread-1,2,3
#time.sleep(1)
#acquire獲取鎖
if mutex.acquire(1):
self.staFiles(self.fileList)
#release釋放鎖
mutex.release()
#處理輸入的files列表，統(tǒng)計男女人數(shù)
#注意這兒數(shù)據(jù)同步問題，global使用全局變量
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保存多個文件，可以設(shè)定一個線程處理多少個文件
files = []
#用來保存所有的線程，方便最后主線程等待所以子線程結(jié)束
staThreads = []
i = 0
for filename in os.listdir(r'E:\pythonProject\ruisi'):
#沒獲取10個文本，就創(chuàng)建一個線程
if filename.startswith('correct'):
files.append(filename)
i+=1
#一個線程處理20個文件
if i == 20 :
staThreads.append(StaFileList(files))
files = []
i = 0
#最后剩余的files，很可能長度不足10個
if files:
staThreads.append(StaFileList(files))
for t in staThreads:
t.start()
# 主線程中等待所有子線程退出，如果不加這個，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"
輸出
Multi Thread, total is 46885; 13937 boys; 4007 girls; 28941 secret; cost time 0.132137192794 s
我們發(fā)現(xiàn)時間和單線程差不多。因為這兒涉及到線程同步問題，獲取鎖和釋放鎖都是需要時間開銷的，線程間切換保存中斷和恢復(fù)中斷也都是需要時間開銷的。
六、較多數(shù)據(jù)的單線程和多線程對比
我們可以對correct、errTime 、unkownsex的文本都進行處理。
單線程代碼
# 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'):
# 有性別、活動時間
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)
#沒有活動時間，但是有性別
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)
#沒有性別，也沒有時間，直接統(tǒng)計行數(shù)
elif filename.startswith("unkownsex"):
newName = 'E:\\pythonProject\\ruisi\\%s' % (filename)
# count = len(open(newName,'rU').readlines())
#對于大文件用循環(huán)方法，count 初始值為 -1 是為了應(yīng)對空行的情況，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"
輸出為
Single Thread, total is 61111; 13937 boys; 4009 girls; 28942 secret; 14223 unkownsex;
cost time 1.37444645628 s
多線程代碼
__author__ = 'admin'
# encoding: UTF-8
#多線程處理程序
import threading
import time,os,sys
#全局變量
SUM = 0
BOY = 0
GIRL = 0
SECRET = 0
UNKOWN = 0
class StaFileList(threading.Thread):
#文本名稱列表
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()
#處理輸入的files列表，統(tǒng)計男女人數(shù)
#注意這兒數(shù)據(jù)同步問題
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)
#沒有活動時間，但是有性別
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)
#沒有性別，也沒有時間，直接統(tǒng)計行數(shù)
elif name.startswith("unkownsex"):
newName = 'E:\\pythonProject\\ruisi\\%s' % (name)
# count = len(open(newName,'rU').readlines())
#對于大文件用循環(huán)方法，count 初始值為 -1 是為了應(yīng)對空行的情況，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 = []
#用來保存所有的線程，方便最后主線程等待所以子線程結(jié)束
staThreads = []
i = 0
for filename in os.listdir(r'E:\pythonProject\ruisi'):
#沒獲取10個文本，就創(chuàng)建一個線程
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，很可能長度不足10個
if files:
staThreads.append(StaFileList(files))
for t in staThreads:
t.start()
# 主線程中等待所有子線程退出
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"
輸出為
Multi Thread, total is 61111; 13937 boys; 4009 girls; 28942 secret;
cost time 1.23049112201 s
可以看出多線程還是優(yōu)于單線程的，由于使用的同步，數(shù)據(jù)統(tǒng)計是一直的。
注意python在類內(nèi)部經(jīng)常需要加上self，這點和java區(qū)別很大。
def __init__(self, fileList):
threading.Thread.__init__(self)
self.fileList = fileList
def run(self):
global SUM, BOY, GIRL, SECRET
if mutex.acquire(1):
#調(diào)用類內(nèi)部方法需要加self
self.staFiles(self.fileList)
mutex.release()
total is 61111; 13937 boys; 4009 girls; 28942 secret; 14223 unkownsex;
cost time 1.25413238673 s
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助。
您可能感興趣的文章:
- python實現(xiàn)爬蟲統(tǒng)計學(xué)校BBS男女比例之多線程爬蟲（二）
- python實現(xiàn)爬蟲統(tǒng)計學(xué)校BBS男女比例（一）
- Python爬蟲教程知識點總結(jié)
- python爬蟲爬取網(wǎng)頁數(shù)據(jù)并解析數(shù)據(jù)
- Python爬蟲實現(xiàn)自動登錄、簽到功能的代碼
- Python爬蟲防封ip的一些技巧
- Python爬蟲爬取微信朋友圈
- python爬蟲使用requests發(fā)送post請求示例詳解
- 學(xué)習(xí)Python爬蟲的幾點建議
- python 爬蟲基本使用——統(tǒng)計杭電oj題目正確率并排序
相關(guān)文章
這篇文章主要介紹了如何用Python徒手寫線性回歸，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2021-01-01
在本篇文章里小編給大家整理的是一篇關(guān)于高考考python編程的相關(guān)信息，有興趣的朋友們閱讀下。2020-07-07
今天小編就為大家分享一篇pycharm無法導(dǎo)入本地模塊的解決方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02
今天小編就為大家分享一篇解決Python命令行下退格,刪除,方向鍵亂碼(親測有效)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
嘿,想學(xué)會用Python快速讀取Excel數(shù)據(jù)嗎？不用擔(dān)心,這個指南將帶你輕松掌握這項技能,讓我們一起開始吧！2023-12-12
在本篇文章里我們給各位整理的是關(guān)于python元組的概念知識點以及實例內(nèi)容，需要的朋友們參考下。2019-11-11
這篇文章主要介紹了Python中字符串的常見操作技巧,結(jié)合實例形式總結(jié)分析了Python針對字符串的反轉(zhuǎn)、編碼轉(zhuǎn)換、進制轉(zhuǎn)換及運算等常用技巧,需要的朋友可以參考下
2016-07-07 
這篇文章主要為大家介紹了Python實現(xiàn)不同需求的排行榜功能,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪
2024-01-01 
這篇文章主要介紹了django框架模型層功能、組成與用法,結(jié)合實例形式簡單分析了Django框架中模型層的基本概念、原理、常用組件構(gòu)成與相關(guān)操作技巧,需要的朋友可以參考下
2019-07-07