Python爬虫案例-获取最新的中国行政区域划分

时间：2023-02-06 03:18:06

源网页：中国统计局标准 http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/

打开网页后可以分析出行政区域划分共分为5层

Python爬虫案例-获取最新的中国行政区域划分

根据传入参数，生成网页地址时需要1-3层的只传本身以及 4层及以后的增加当前省份的前缀。

#生成实际需要解析的页面地址

def geturl(level,url,code):

    if level<4:

        url=url

    else:

        url=code[0:2]+'/'+url

    url='http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/'+url

    return url

标签1-5分别不同

#获取需要解析的标签

def getlevelclass(level):

    LevelDict={1:"provincetr",2:"citytr",3:"countytr",4:"towntr",5:"villagetr"}

    return LevelDict[level]

根据网页上的标签以及实际地址去获取所需要的网页内容

#设置头信息

def getheaders():

    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'}

    return headers

#获取网页内容

def Get_WebContent(url,level):

    headers=getheaders()

    res=urllib.request.Request(url,None, headers=headers)

    i=1

    while i<4:

        try:

            response=urllib.request.urlopen(res)

            i=100

        except error.URLError as e:

            print('执行第'+str(i)+'次错误,'+e.reason)

            i=i+1

            time.sleep(10)

    html_content=response.read()

    #将html从gb2312编码转换到utf-8的编码

    html_content = html_content.decode('gb2312', 'ignore').encode('utf-8')

    soup = BeautifulSoup(html_content, 'html.parser', from_encoding='utf-8')

    #获得内容

    levelclass='.'+getlevelclass(level)

    souplist=soup.select(levelclass)

    return souplist

根据输出值需要创建解析第一层与其他层的两种函数。

#conding=utf-8

from bs4 import BeautifulSoup

#用于解析第二层，内容(Code,Pronvince,urls)

def Get_Child(souplist,parentid,level):

    SQLLIST=[]

    for provincesoup in souplist:

        url_tds=provincesoup.find_all('a',href=True)

        a=1

        for td in url_tds:

            if a%2==1:

                code=td.get_text()

                urls=td['href']

            else:

                provience=td.get_text()

                row=(code,provience,parentid,level,urls)

                SQLLIST.append(row)

            a=a+1

    return SQLLIST

#用于解析第一层，内容(Pronvince,urls),Code=urls中的数字部分

def Get_Main(souplist,parentid,level):

    SQLLIST=[]

    for provincesoup in souplist:

        url_tds=provincesoup.find_all('a',href=True)

        for td in url_tds:

            provience=td.get_text()

            urls=td['href']

            code=td['href'].replace('.html', '')

            row=(code,provience,parentid,level,urls)

            SQLLIST.append(row)

    return SQLLIST

#实际调用的获取值函数函数

def GetDetail(souplist,level,parentid):

    if level==1:

        SQLLIST=Get_Main(souplist,parentid,level)

    else:

        SQLLIST=Get_Child(souplist,parentid,level)

    return SQLLIST

SQLSERVER表

CREATE TABLE [dbo].[China_Position](

    [ID] [int] IDENTITY(0,1) NOT NULL,

    [Code] [nvarchar](20) NULL,

    [Name] [nvarchar](40) NULL,

    [Name_Short] [nvarchar](20) NULL,

    [ParentID] [int] NULL,

    [Level] [int] NULL,

    [Urls] [nvarchar](200) NULL,

    [IsFinish] [smallint] NOT NULL

)
def DataInsert(ValueList):

    SQLStr="INSERT INTO [dbo].[China_Position]([Code] ,[Name] ,[ParentID],[Level] ,[Urls])  VALUES(%s ,%s ,%d,%d,%s) "

    SqlInsert(SQLStr,ValueList)

#获取待运行的任务

def GetTaskList(level):

    SQLStr="""SELECT v1.[ID]

                ,v1.[Level]+1 as [Level]

                ,v1.[Urls]

                ,v1.Code

            FROM [dbo].[China_Position] v1 with(nolock)

            where [IsFinish]=0 And Level=""" + str(level-1)

    cur=SqlSelect(SQLStr)

    TaskList=[]

    for row in cur:

        rows=(row[0],row[1],row[2],row[3])

        TaskList.append(rows)

    return TaskList
#记录执行成功日志

def RecordLog(ID):

    SQLStr="update [dbo].[China_Position] set IsFinish=1 where ID="+str(ID)

    SqlDelete(SQLStr)

执行最终的代码，获取level1-3层的数据。

for i in range(1,4):

    #获取第几层的待执行任务

    TaskList=GetTaskList(i)

    for CTask in TaskList:

        parentid=CTask[0]

        level=CTask[1]

        url=CTask[2]

        Code=CTask[3]

        #获取真实的网页

        url=geturl(level,url,Code)

        #获取网页内容

        souplist=Get_WebContent(url,level)

        #待插入数据路的列表

        ValueList=GetDetail(souplist,level,parentid)

        #插入数据库

        DataInsert(ValueList)

        #记录成功日志,下次执行时不执行已执行的任务

        RecordLog(parentid)

相关文章