Python爬虫超简单实战教程 （一）| 爬取国家统计局数据

时间：2024-02-16 13:46:53

本次实验以爬取“国家统计局”首页中的【上海市城乡居民收支基本情况】为例，国家统计局(https://data.stats.gov.cn/index.htm)其他页面的爬取方法大同小异

1.爬虫基本流程

  1. 发起请求：通过http/https库向目标站点发起请求，即发送一个request，请求可以包含额外的headers等信息，等待服务器响应
  2. 获取相应内容：如果服务器能正常响应，会得到一个response，response的内容便是所要获取的页面内容，类型可能有HTML，json字符串，二进制数据（如图片视频）等类型
  3. 解析内容：得到的内容可能是HTML，可以用正则表达式，网页解析库进行解析，可能是json，可以直接转为json对象，可能是二进制数据，可以做保存或者进一步的处理
    （本次实验得到的解析内容是json）
  4. 保存数据：可以存为文本，也可以保存至数据库，或者特定格式的文件

2.打开网页并分析

国家统计局的网站很奇怪，明明是https却会告警不安全，首次打开界面如下（本人使用的是谷歌浏览器）

点击“高级”-“继续前往”，方可进入首页

选择“季度数据”-“分省季度数据”

选择“人民生活”-“城乡收支情况”

地区修改为“上海市”

按下F12，进入浏览器调试模式

刷新重新获取网页信息，找到easyquery.htm?m=Query Data&dbc...的文件。可以先选中"XHR"过滤条件，缩小查找范围

怎么确认这个文件就包含有我们要找的数据呢？点击“response”板块，向右拖动滑块可以看到表格数据可以一一对应（但数据并没有连续出现）

注意：这里的data和strdata看上去一样，但实际格式不一样，data是int或double格式，strdata是str格式，这个表格有一些空数据行，字符串格式方便做判断，字符串转数字使用eval()即可

3.完整代码及解析

注：缺少的库可以在命令行使用pip命令安装，如缺少requests库，可以在命令行输入命令

pip install requests

import urllib3 

\# 使用urllib3.disable_warnings()在关闭SSL认证（verify=False）情况下

\# 将requests请求禁用安全请求警告

import requests    # 使用Requests发送网络请求

import time      # 用来获取时间戳(计算当前时间，用于网页验证)

import json      # 处理json文件

import numpy as np  # 处理数组

import pandas as pd  # np.array()转换成pd.DataFrame格式，再使用to_excel()写入excel表格



\# 获取毫秒级时间戳，用于网页验证

def getTime():

  return int(round(time.time() * 1000))



\# 数据预处理，获取json列表中层层包裹的strdata元素（数据）

def getList(length):

  List=[]

  for i in range(length):

​    temp = js[\'returndata\'][\'datanodes\'][i][\'data\'][\'strdata\']

​    \# 城乡居民收支列表中，原网站有同比增长数据为空，若直接使用eval()会报错，需要先判断

​    if(len(temp)!=0):

​      \# eval()数字转字符串

​      List.append(eval(temp))

  return List

if __name__ == \'__main__\':

  \# 请求目标网址(链接?前面的东西)

  url=\'https://data.stats.gov.cn/easyquery.htm\'

  \# 请求头，User-Agent: 用来证明你是浏览器，满足一定格式即可，不一定和自己的浏览器一样

  headers={\'User-Agent\':\'Mozilla/5.0(Windows;U;Windows NT6.1;en-US;rv:1.9.1.6) Geko/20091201 Firefox/3.5.6\'}#浏览器代理



  \# 构造参数键值对，具体数值从网页结构参数中获取

  key={}

  key[\'m\']=\'QueryData\'

  key[\'dbcode\']=\'fsjd\'

  key[\'rowcode\']=\'zb\'

  key[\'colcode\']=\'sj\'

  key[\'wds\']=\'[{"wdcode":"reg","valuecode":"310000"}]\'

  key[\'k1\']=str(getTime()) 

  \# "wdcode":"reg" 地区栏

  \# 上海 310000 

  key[\'dfwds\']=\'[{"wdcode":"zb","valuecode":"A0300"},{"wdcode":"sj","valuecode":"LAST6"}]\'

  \# "wdcode":"zb" 选取左侧哪个条目,"wdcode":"sj"选项框中选取"最近6季度"

  \# 禁用安全请求警告

  requests.packages.urllib3.disable_warnings()

  \# 发出请求，使用post方法，这里使用前面自定义的头部和参数

  \# ！！！verify=False，国家统计局20年下半年改用https协议,若不加该代码无法通过SSL验证

  r = requests.post(url, headers=headers, params=key,verify=False)

  \# 使用json库中loads函数，将r.text字符串解析成dict字典格式存储于js中

  js = json.loads(r.text)



  \# 得到所需数据的一维数组，利用np.array().reshape()整理为二维数组

  length=len(js[\'returndata\'][\'datanodes\'])

  res=getList(length)

  \# 总数据划分成6行的格式

  array=np.array(res).reshape(len(res)//6,6)



  \# np.array()转换成pd.DataFrame格式，后续可使用to_excel()直接写入excel表格

  df_shanghai=pd.DataFrame(array)

  df_shanghai.columns=[\'2020年第三季度\',\'2020年第二季度\',\'2020年第一季度\',\'2019年第四季度\',

​        \'2019年第三季度\',\'2019年第二季度\']

  df_shanghai.index=[\'居民人均可支配收入累计值(元)\',

​       \'城镇居民人均可支配收入累计值(元)\',

​       \'农村居民人均可支配收入累计值(元)\',

​       \'居民人均消费支出累计值(元)\',

​        \'城镇居民人均消费支出累计值(元)\',

​       \'农村居民人均消费支出累计值(元)\']



  print(df_shanghai)

4.部分代码说明

数据提取

得到表格中的数据需要先分析提取到的js文件，打印内容如下：

将五层列表层层剥开，得到需要的strdata

请求网站

请求目标网址(\'\'?\'\'前面的东西)

url=\'https://data.stats.gov.cn/easyquery.htm\'

请求头，User-Agent: 用来证明你是浏览器，满足一定格式即可，不一定要和自己的浏览器一样

  headers={\'User-Agent\':\'Mozilla/5.0(Windows;U;Windows NT6.1;en-US;rv:1.9.1.6) Geko/20091201 Firefox/3.5.6\'}#浏览器代理

构造参数键值对，下列参数会以 & 连接，放在链接的\'\'?\'\'后面

    key={}
    key[\'m\']=\'QueryData\'
    key[\'dbcode\']=\'fsjd\'
    key[\'rowcode\']=\'zb\'
    key[\'colcode\']=\'sj\'
    key[\'wds\']=\'[{"wdcode":"reg","valuecode":"310000"}]\'
    key[\'k1\']=str(getTime())  
    key[\'dfwds\']=\'[{"wdcode":"zb","valuecode":"A0300"},{"wdcode":"sj","valuecode":"LAST6"}]\'

部分参数可以从下图所示位置查看到，有些不显示的为默认，如果需要显示相同页面，需选取选项框中的相应选项

5.数据保存到excel表格

爬虫爬到的数据现以panda.dataframe格式存储，可以利用to_excel()函数，直接保存在excel表格中

# write对象为该Excel工作簿，使用该方法保存多个工作表
    write = pd.ExcelWriter(\'F:/Ivory_Tower/norm/分省季度数据_城乡居民收支.xls\') #该路径自己设置即可，没有该文件的话会自行创建一个，存在的话写入会覆盖原内容
    df_shanghai.to_excel(write,sheet_name=\'上海\')
    #如果爬多个省份的数据，可以写入多个工作表，且必须要加上save()保存
    write.save()

6.表格优化（可选）

可以借助python代码，优化表格格式，如上图所示的结果不尽人意，至少还需要自动调整列宽。

这里本人采用xlwings库，需要先在命令行下载相应的库

pip install xlwings
pip install pywin32

# 使用xlwings库，利用python编辑整理Excel表格
import xlwings as xw
if __name__ == \'__main__\':
    app=xw.App(visible=False,add_book=False) #过程不可见，不添加新工作表
    wb=app.books.open(r\'F:/Ivory_Tower/norm/分省季度数据_城乡居民收支.xls\')
    # wb就是新建的工作簿(workbook)
    # 对8个工作表，分别进行操作
    for i in range(8): 
        rng=wb.sheets[i].range(\'A1:H20\')      # 选中这些单元格
        rng.api.HorizontalAlignment = -4108   # 文字水平方向居中
        rng.autofit()                         # 自动调整行高列宽
    wb.save()
    wb.close()
    app.quit()

运行代码，即可得到以下效果 （后续多爬了其他一些省份，在key处修改相应参数即可）

7.参考资料

史上超详细python爬取国家统计局数据：https://blog.csdn.net/qq_41988893/article/details/103017854

如果报其他各种各样莫名其妙的错，可以评论或私信询问哦~

相关文章