python——博客园首页信息提取与分析

python——博客园首页信息提取与分析

前言

前两天写了博客，然后发到了博客园首页，然后看着点击量一点点上升，感觉怪怪的。

然后就产生了一点好奇：有多少人把博客发表到了首页上？每天博客园首页会发表多少文章？谁发表的文章最多？评论和阅读数量的对应关系是多少？

有了好奇之后，就在想，怎样才能知道答案？

1. 寻路第一步

通过浏览博客园发现，在博客园最多能看到200页。所以，能不能先把这200页给下载下来。之前有写过一篇博客，批量下载图片，所以可以用博客中类似的方法把这些网页下载下来。

View Code

代码：

from html.parser import HTMLParser
import os,urllib.request,sys

#一个简单的html解析器，主要用于看看Python对html的解析步骤
class TestParser(HTMLParser):
def __init__(self,strict=False):
HTMLParser.__init__(self,strict)
self.current=0
def handle_starttag(self,tag,attrs):
print(tag,':',attrs)
def handle_data(self,data):
print(self.current,'data:',data.strip())
self.current=self.current+1

if __name__=='__main__':
parser=TestParser(strict=False)
f=open(os.path.join(os.getcwd(),'test.txt'),encoding='utf-8')
s=f.read()
f.close()
parser.feed(s)

通过小程序，确定好处理顺序之后，然后就可以将这些数据一步一步地抽取出来了。之前有一篇博客python——有限状态机写到怎么提取信息。

代码：

from html.parser import HTMLParser
import os,urllib.request,sys

#parser of content
class ContentParser(HTMLParser):
def __init__(self,strict=False):
HTMLParser.__init__(self,strict)
self.state=0
self.title=''
self.author=''
self.time=''
self.comment=''
self.view=''
self.result=[]
def handle_starttag(self,tag,attrs):
if self.state==0:
if tag=='a':
for i in attrs:
if i[0]=='class' and i[1]=='titlelnk':
self.state=1   #title
elif self.state==2:
if tag=='div':
for i in attrs:
if i[0]=='class' and i[1]=='post_item_foot':
self.state=3
elif self.state==3:
if tag=='a':
self.state=4  #author
elif self.state==5:
if tag=='span':
for i in attrs:
if i[0]=='class' and i[1]=='article_comment':
self.state=6
elif self.state==6:
if tag=='span':
for i in attrs:
if i[0]=='class' and i[1]=='article_view':
self.state=7
def handle_data(self,data):
if self.state==1:
self.title=data.strip()
self.state=2
elif self.state==4:
self.author=data.strip()
self.state=5
elif self.state==5:
self.time=data.strip()[-16:]
elif self.state==6:
self.comment=data.strip()[3:-1]
elif self.state==7:
self.view=data.strip()[3:-1]
self.result.append((self.title,self.author,self.time,self.comment,self.view))
self.state=0

def getContent(file_name):
parser=ContentParser(strict=False)
f=open(os.path.join(os.getcwd(),'data',file_name),encoding='utf-8')
s=f.read()
f.close()
parser.feed(s)
f=open(os.path.join(os.getcwd(),'result.txt'),'a')
for i in parser.result:
f.write('{0}\t{1}\t{2}\t{3}\t{4}\n'.format(i[0],i[1],i[2],i[3],i[4]))
f.close()

if __name__=='__main__':
for i in os.listdir(os.path.join(os.getcwd(),'data')):
print(i)
getContent(i)

这样，就将结果提取出来了。

3. 分析这些数据

因为我们是以tab键分割这些数据的，所以可以导入到excel中：

经统计：

从2013-05-22 16:22到2013-08-20 19:57近3个月的时间里：
有1356个人发布4000篇博客到博客园首页，平均每天44.4篇，每人3篇；
其中，最高的一人发布了55篇；
所有的文章总共被查看4661643次，评论35210次，平均132次查看会有一次评论

抛砖引玉

1. 除了上述统计信息之外，是否可以找到一个星期中，那一天博客发表的最多？那一天最少？哪个人的评论最多？哪些主题关注度最大？

2. 互联网的数据有很多，只要肯动手，就能获取想要的信息。不仅仅是博客园的这些统计信息，也可以是其他网站的。

当python模式遇见cedet

我用Emacs 24写python程序。 发现屏幕不时有些闪动，MiniBuffer有消息一闪而过。 我打开

*Messages*

buffer，发现有许多这样的消息：

CTAGS/movie-scheduling.py...
Can't guess python-indent-offset, using defaults: 4
Mark set [7 times]
CTAGS/movie-scheduling.py...
Can't guess python-indent-offset, using defaults: 4
Mark set [7 times]
CTAGS/movie-scheduling.py...
Can't guess python-indent-offset, using defaults: 4
Mark set [7 times]
... ...

每当我修改python程序，就会不停出现类似上面的消息。消息增加得很快，几乎两秒增 加一次。有时会占用许多CPU，导致输入程序有延迟。

不知道这是 python-mode 的问题，还是 semantic 在分析文件。

如果是 semantic 在分析文件， 在我写 c/c++/java 程序时， semantic的活动又没有这么频繁。

通过以下的分析，发现不是 python-mode 的问题，也不是semantic的问题，具体来说 是semantic启用ctags辅助产生的问题。

不启用cedet，编辑python程序，不会出现上面说的问题，说明不是python模式的问 题。

启用cedet，编辑python程序，问题又出现。每次一改动python程序，就会出现问题 中描述的信息。但是semantic分析文件，怎么会调用ctags呢？

我发现我的.emacs中，cedet的设置有这样一句：

(semantic-load-enable-all-exuberent-ctags-support)

应该就是它了，注释掉这一句，重启emacs，再编辑python程序，不再出现上面的问题了。

要想保留ctags对semantic的支持，也可以保留上面的配置，再加一句也可以解决问题。

(global-semantic-idle-scheduler-mode nil)

不让semantic利用空闲时间分析文件，它也就不会频繁地调用ctags分析python文件 了。 这样做的坏处就是，当你要访问某个tag时，semantic可能要临时分析，花的 时间较长。 不过可以忍受