关于python:80行Python代码搞定全国区划代码

47次阅读

共计 3031 个字符,预计需要花费 8 分钟才能阅读完成。

GitHub 源码分享

微信搜寻:码农 StayUp
主页地址:https://gozhuyinglong.github.io
源码分享:https://github.com/gozhuyinglong/blog-demos

1. 前言

在网站建设中个别会用到全国行政区域划分,以便于做区域数据分析。

上面咱们用 Python 来爬取行政区域数据,数据起源为比拟权威的国家统计局。爬取的页面为 2020 年统计用区划代码和城乡划分代码。

这里有个疑难,为啥统计局只提供了网页版呢?提供文件版岂不是更不便公众。欢送理解的小伙伴给我留言。

2. 网站剖析

在爬取数据之前要做的便是网站剖析,通过剖析来判断应用何种形式来爬取。

2.1 省份页面

一个动态页面,其二级页面应用的是绝对地址,通过 class=provincetr 的 tr 元素来定位

2.2 城市页面

一个动态页面,其二级页面应用的是绝对地址,通过 class=citytr 的 tr 元素来定位

2.3 区县页面

一个动态页面,其二级页面应用的是绝对地址,通过 class=countytr 的 tr 元素来定位

2.4 城镇页面

一个动态页面,其二级页面应用的是绝对地址,通过 class=towntr 的 tr 元素来定位

2.5 村庄页面

一个动态页面,没有二级页面,通过 class=villagetr 的 tr 元素来定位

3. 装置所需库

通过下面的剖析,应用爬取动态网页的形式即可。上面是一些必要的库,须要提前装置好:Requests、BeautifulSoup、lxml。

3.1 Requests

Requests 是一个 Python 的 HTTP 客户端库,用于拜访 URL 网络资源。

装置 Requests 库:

pip install requests

3.2 BeautifulSoup

Beautifu lSoup 是一个能够从 HTML 或 XML 文件中提取数据的 Python 库。它可能通过指定的转换器实现页面文档的导航、查找、批改等。

装置 BeautifulSoup 库:

pip install beautifulsoup4

3.3 lxml

lxml 是一种应用 Python 编写的库,能够迅速、灵便地解决 XML 和 HTML。

它反对 XML Path Language (XPath) 和 Extensible Stylesheet Language Transformation (XSLT),并且实现了常见的 ElementTree API。

装置 lxml 库:

pip install lxml

4. 代码实现

爬虫分以下几步:

  • 应用 Requests 库来获取网页。
  • 应用 BeautifulSoup 和 lxml 库解析网页。
  • 应用 Python 的 File 来存储数据。

输入文件为:以后 py 文件所在目录,文件名称:area-number-2020.txt

输入后果为:级别、区划代码、名称,两头应用制表符分隔,便于存到 Exce 和数据库中。

上面看具体代码:

# -*-coding:utf-8-*-
import requests
from bs4 import BeautifulSoup


# 依据地址获取页面内容,并返回 BeautifulSoup
def get_html(url):
    # 若页面关上失败,则有限重试,没有后退可言
    while True:
        try:
            # 超时工夫为 1 秒
            response = requests.get(url, timeout=1)
            response.encoding = "GBK"
            if response.status_code == 200:
                return BeautifulSoup(response.text, "lxml")
            else:
                continue
        except Exception:
            continue


# 获取地址前缀(用于绝对地址)def get_prefix(url):
    return url[0:url.rindex("/") + 1]


# 递归抓取下一页面
def spider_next(url, lev):
    if lev == 2:
        spider_class = "city"
    elif lev == 3:
        spider_class = "county"
    elif lev == 4:
        spider_class = "town"
    else:
        spider_class = "village"

    for item in get_html(url).select("tr." + spider_class + "tr"):
        item_td = item.select("td")
        item_td_code = item_td[0].select_one("a")
        item_td_name = item_td[1].select_one("a")
        if item_td_code is None:
            item_href = None
            item_code = item_td[0].text
            item_name = item_td[1].text
            if lev == 5:
                item_name = item_td[2].text
        else:
            item_href = item_td_code.get("href")
            item_code = item_td_code.text
            item_name = item_td_name.text
        # 输入:级别、区划代码、名称
        content2 = str(lev) + "\t" + item_code + "\t" + item_name
        print(content2)
        f.write(content2 + "\n")
        if item_href is not None:
            spider_next(get_prefix(url) + item_href, lev + 1)


# 入口
if __name__ == '__main__':

    # 抓取省份页面
    province_url = "http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2020/index.html"
    province_list = get_html(province_url).select('tr.provincetr a')

    # 数据写入到以后文件夹下 area-number-2020.txt 中
    f = open("area-number-2020.txt", "w", encoding="utf-8")
    try:
        for province in province_list:
            href = province.get("href")
            province_code = href[0: 2] + "0000000000"
            province_name = province.text
            # 输入:级别、区划代码、名称
            content = "1\t" + province_code + "\t" + province_name
            print(content)
            f.write(content + "\n")
            spider_next(get_prefix(province_url) + href, 2)
    finally:
        f.close()

5. 资源下载

如果你只是须要行政区域数据,那么曾经为你筹备好了,从上面连贯中下载即可。

链接:https://pan.baidu.com/s/18MDd…
提取码:t2eg

6. 爬虫遵循的规定

引自:https://www.cnblogs.com/kongyijilafumi/p/13969361.html

  1. 恪守 Robots 协定,审慎爬取
  2. 限度你的爬虫行为,禁止近乎 DDOS 的申请频率,一旦造成服务器瘫痪,约等于网络攻击
  3. 对于显著反爬,或者失常状况不能到达的页面不能强行冲破,否则是 Hacker 行为
  4. 如果爬取到他人的隐衷,立刻删除,升高进局子的概率。另外要管制本人的欲望

正文完
 0