Python爬虫爬取国家统计局2009年到2020年，统计用区划和城乡划分代码（省市区/县三级）并存入mysql数据库
国家统计局->统计标准网址：http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/
成都创新互联公司服务项目包括泸县网站建设、泸县网站制作、泸县网页制作以及泸县网络营销策划等。多年来，我们专注于互联网行业，利用自身积累的技术优势、行业经验、深度合作伙伴关系等，向广大中小型企业、政府机构等提供互联网行业的解决方案，泸县网站推广取得了明显的社会效益与经济效益。目前，我们服务的客户以成都为中心已经辐射到泸县省份的部分城市，未来相信会继续扩大服务区域并继续获得客户的支持与信任！
流程
对统计标准的网站进行分层分级爬取
代码
import pymysql from bs4 import BeautifulSoup import re import requests import lxml import traceback import time import json from lxml import etree def get_area(year): year=str(year) url="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/"+ year +"/index.html" print(url) headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36' } response=requests.get(url,headers) # print(response.text) response.encoding='GBK' page_text= response.text soup=BeautifulSoup(page_text,'lxml') # print(page_text) all_province=soup.find_all('tr',class_='provincetr') #获取所有省份第一级的tr 有4个tr # all_province长度为4，其中第一组是从北京市到黑龙江省 """ 格式是这样的：北京市 天津市 河北省 山西省 内蒙古自治区 辽宁省 """ province_str="" #为了方便处理，把省份数据变成一个字符串 for i in range(len(all_province)): province_str=province_str+str(all_province[i]) # print(province_str) # 开始分别获得a标签的href和text province={} province_soup=BeautifulSoup(province_str,'lxml') province_href=province_soup.find_all("a") #获取所有的a标签 for i in province_href: href_str=str(i) # print(href_str) #创建省份数据字典 province.update({BeautifulSoup(href_str,'lxml').find("a").text:BeautifulSoup(href_str,'lxml').find("a")["href"]}) # print(province) """ 数据provide字典 {'北京市': '11.html', '天津市': '12.html', '河北省': '13.html', '山西省': '14.html', '内蒙古自治区': '15.html', '辽宁省': '21.html', '吉林省': '22.html', '黑龙江省': '23.html', '上海市': '31.html', '江苏省': '32.html', '浙江省': '33.html', '安徽省': '34.html', '福建省': '35.html', '江西省': '36.html', '山东省': '37.html', '河南省': '41.html', '湖北省': '42.html', '湖南省': '43.html', '广东省': '44.html', '广西壮族自治区': '45.html', '海南省': '46.html', '重庆市': '50.html', '四川省': '51.html', '贵州省': '52.html', '云南省': '53.html', '西藏自治区': '54.html', '陕西省': '61.html', '甘肃省': '62.html', '青海省': '63.html', '宁夏回族自治区': '64.html', '新疆维吾尔自治区': '65.html'} """ # 根据身份数据字典继续爬取下一级的市级数据，创建市级数据字典 city=[] city_url="" city_tr=[] temp_list=[] for item in province.items(): # print(value) city_url="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/"+year+"/"+item[1] city_html=requests.get(city_url,headers) city_html.encoding='GBK' city_text=city_html.text city_tr.append(BeautifulSoup(city_text,'lxml').find_all('tr',class_="citytr")) # 获得所有的市区tr city_tr列表长度是31 对应31个省或直辖市 # 下面开始建立市区的字典{"名字":"链接"} #存放省名字列表 province_key=[] for key in province.keys(): province_key.append(key) num=0 for i in city_tr: for j in i: # j: # print(j) etree_ = etree.HTML(str(j)) temp_list.append({ etree_.xpath('//tr/td[2]/a/text()')[0]: etree_.xpath('//tr/td[2]/a/@href')[0] }) # print(temp_list) city.append({province_key[num]:temp_list}) num=num+1 temp_list=[] print(len(city)) """ city[11] {'安徽省': [{'合肥市': '34/3401.html'}, {'芜湖市': '34/3402.html'}, {'蚌埠市': '34/3403.html'}, {'淮南市': '34/3404.html'}, {'马鞍山市': '34/3405.html'}, {'淮北市': '34/3406.html'}, {'铜陵市': '34/3407.html'}, {'安庆市': '34/3408.html'}, {'黄山市': '34/3410.html'}, {'滁州市': '34/3411.html'}, {'阜阳市': '34/3412.html'}, {'宿州市': '34/3413.html'}, {'六安市': '34/3415.html'}, {'亳州市': '34/3416.html'}, {'池州市': '34/3417.html'}, {'宣城市': '34/3418.html'}]} """ # 搞定市级字典，下面开始最后一步，area province_name="" city_name="" area_name="" area_tr=[] area_list=[] temp_area_list=[] for item1 in city: for k1,v1 in item1.items(): province_name=k1 if(province_name in ["北京","天津","上海","重庆"]): province_name=province_name+"市" if(province_name =="宁夏"): province_name=province_name+"回族自治区" if(province_name in["西藏","内蒙古"]): province_name=province_name+"自治区" if(province_name == "新疆"): province_name=province_name+"维吾尔自治区" if (province_name == "广西"): province_name= province_name + "壮族自治区" if(province_name=="黑龙江"): province_name=province_name+"省" if(len(province_name)==2 and province_name not in ["西藏","宁夏","新疆","广西","北京","天津","上海","重庆"]): province_name= province_name+"省" for item2 in v1: for k2,v2 in item2.items(): city_name=k2 # print(city_name) area_url="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/"+ year +"/"+ v2 print(area_url) area_response=requests.get(area_url,headers) area_response.encoding='GBK' area_text=area_response.text area_soup=BeautifulSoup(area_text,'lxml') area_tr=area_soup.find_all("tr",class_="countytr") for i in range(len(area_tr)): etree_area= etree.HTML(str(area_tr[i])) try: area_name=etree_area.xpath("//tr/td[2]/a/text()")[0] except: area_name= etree_area.xpath("//tr/td[2]/text()")[0] # print(area_name) # print(str(area_tr[i])) try: temp_area_list.append({ etree_area.xpath("//tr/td[1]/a/text()")[0][0:6]: province_name+"·"+city_name+"·"+area_name }) except: temp_area_list.append({ etree_area.xpath("//tr/td[1]/text()")[0][0:6]: province_name+"·"+city_name+"·"+area_name }) area_list.append(temp_area_list) temp_area_list=[] time.sleep(1) return area_list def into_mysql(year): year=str(year) SQL="" conn,cursor=get_mysql_conn() res=get_area(year) try: for item in res: for k,v in item[0].items(): print(k) print(v) SQL="insert into std_area (year,area_code, area_name) values ('"+year+"','"+k+"','"+v+"')" print(SQL) cursor.execute(SQL) conn.commit() except: print("出现错误") conn,cursor.close() return None def query(sql,*args): """ 通用封装查询 :param sql: :param args: :return:返回查询结果 （（），（）） """ conn , cursor= get_mysql_conn() print(sql) cursor.execute(sql) res= cursor.fetchall() close_conn(conn , cursor) return res """ ------------------------------------------------------------------------------------ """ def get_mysql_conn(): """ :return: 连接，游标 """ # 创建连接 conn = pymysql.connect(host="127.0.0.1", user="root", password="000429", db="data_cleaning", charset="utf8") # 创建游标 cursor = conn.cursor() # 执行完毕返回的结果集默认以元组显示 return conn, cursor def close_conn(conn, cursor): if cursor: cursor.close() if conn: conn.close() if __name__ == '__main__': # res=get_area() into_mysql('2009') 市辖区
分享名称：Python爬虫爬取国家统计局2009年到2020年，统计用区划和城乡划分代码（省市区/县三级）并存入mysql数据库
文章链接：http://ybzwz.com/article/dsojdhc.html
