80行Python代碼搞定全國區劃代碼

GitHub源碼分享

微信搜索：碼農StayUp

主頁地址：gozhuyinglong.github.io

源碼分享：github.com/gozhuyinglo…

1. 前言

在網站建設中通常會用到全國行政區域劃分，以便於作區域數據分析。

下面咱們用 Python 來爬取行政區域數據，數據來源爲比較權威的國家統計局。爬取的頁面爲2020年統計用區劃代碼和城鄉劃分代碼。

這裏有個疑問，爲啥統計局只提供了網頁版呢？提供文件版豈不是更方便大衆。歡迎瞭解的小夥伴給我留言。

2. 網站分析

在爬取數據以前要作的即是網站分析，經過分析來判斷使用何種方式來爬取。

2.1 省份頁面

一個靜態頁面，其二級頁面使用的是相對地址，經過 class=provincetr 的tr元素來定位

2.2 城市頁面

一個靜態頁面，其二級頁面使用的是相對地址，經過 class=citytr 的tr元素來定位

2.3 區縣頁面

一個靜態頁面，其二級頁面使用的是相對地址，經過 class=countytr 的tr元素來定位

2.4 城鎮頁面

一個靜態頁面，其二級頁面使用的是相對地址，經過 class=towntr 的tr元素來定位

2.5 村莊頁面

一個靜態頁面，沒有二級頁面，經過 class=villagetr 的tr元素來定位

3. 安裝所需庫

經過上面的分析，使用爬取靜態網頁的方式便可。下面是一些必要的庫，須要提早安裝好：Requests、BeautifulSoup、lxml。

3.1 Requests

Requests 是一個 Python 的 HTTP 客戶端庫，用於訪問 URL 網絡資源。

安裝Requests庫：

pip install requests
複製代碼

3.2 BeautifulSoup

Beautifu lSoup 是一個能夠從 HTML 或 XML 文件中提取數據的 Python 庫。它可以經過指定的轉換器實現頁面文檔的導航、查找、修改等。

安裝 BeautifulSoup 庫：

pip install beautifulsoup4
複製代碼

3.3 lxml

lxml 是一種使用 Python 編寫的庫，能夠迅速、靈活地處理 XML 和 HTML。

它支持 XML Path Language (XPath) 和 Extensible Stylesheet Language Transformation (XSLT)，而且實現了常見的 ElementTree API。

安裝lxml庫：

pip install lxml
複製代碼

4. 代碼實現

爬蟲分如下幾步：

• 使用Requests庫來獲取網頁。
• 使用BeautifulSoup和lxml庫解析網頁。
• 使用Python的File來存儲數據。

輸出文件爲：當前py文件所在目錄，文件名稱：area-number-2020.txt

輸出結果爲：級別、區劃代碼、名稱，中間使用製表符分隔，便於存到Exce和數據庫中。

下面看詳細代碼：

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


# 根據地址獲取頁面內容，並返回BeautifulSoup
def get_html(url):
    # 若頁面打開失敗，則無限重試，沒有後退可言
    while True:
        try:
            # 超時時間爲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


# 獲取地址前綴（用於相對地址）
def get_prefix(url):
    return url[0:url.rindex("/") + 1]


# 遞歸抓取下一頁面
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
        # 輸出：級別、區劃代碼、名稱
        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__':

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

    # 數據寫入到當前文件夾下 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
            # 輸出：級別、區劃代碼、名稱
            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()
複製代碼

5. 資源下載

若是你只是須要行政區域數據，那麼已經爲你準備好了，從下面鏈接中下載便可。

連接：pan.baidu.com/s/18MDdkczw… 提取碼：t2eg

6. 爬蟲遵循的規則

引自：www.cnblogs.com/kongyijilaf…

1. 遵照 Robots 協議，謹慎爬取
2. 限制你的爬蟲行爲，禁止近乎 DDOS 的請求頻率，一旦形成服務器癱瘓，約等於網絡攻擊
3. 對於明顯反爬，或者正常狀況不能到達的頁面不能強行突破，不然是 Hacker 行爲
4. 若是爬取到別人的隱私，當即刪除，下降進局子的機率。另外要控制本身的慾望