Python爬虫练习五：爬取 2017年统计用区划代码和城乡划分代码（附代码与全部数据）

  本文仅供学习，需要数据的文末有链接下载，请不要重复爬取。

  最近工作中，因为统计用区划代码和城乡划分代码更新了最新的2017版，需要爬取最新的数据。于是乎，本次花了一定精力，将整个2017版数据完完整整的爬了下来。相较于第一次爬虫练习的2016版，本次改进很多，主要特点如下。

  1、通过尝试爬取目标网址，发现相较于以往，竟然设置了反爬虫手段，在进行get请求的时候需要增加headers，模拟浏览器。

  2、创建headers列表，使用随机headers进行访问，反反爬虫，降低被反的可能性。

  3、采用断点续尝试请求的方式提高爬虫成功率。这一点很关键，不知道是目标网址的服务器不好还是反爬虫机制，经常会出现爬取某个次级网址的时候卡住，导致请求失败。

  4、使用了多进程技术，多个省份同时进行爬取，大大提高了效率。一开始使用的是单进程爬虫，有上万或数十万个网页需要爬取，发现爬完估计要一天。

  5、另外发现一个小问题，观察网页返回结果，显示网页是采用gb2312的方式编码的，但实际上如果获取网址采用gb2312的话，一些生僻的汉字会乱码，采用gbk就不会出现这样的问题。

  废话不多说，上代码。代码分成三部分，调度器、爬虫、下载器。

  调度器：Scheduler，创建目标网址列表，开辟进程池，并统一调度爬虫脚本与下载器。

import Spiders
import downloading
from multiprocessing import Pool

# 目标列表
aimurl="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2017/"
aimurllist = ["11", "12", "13", "14", "15", "21", "22", "23", "31", "32", "33", "34", "35", "36", "37",
              "41", "42", "43", "44", "45", "46", "50", "51", "52", "53", "54", "61", "62", "63", "64", "65"]

def run_proc(url, num):
    print(num+' is running')
    (city, county, town, village) = Spiders.spider(url, num)
    downloading.download(city, county, town, village, num)
    print(num+' ended')


if __name__ == "__main__":
    p = Pool(8)
    for i in aimurllist:
        p.apply_async(run_proc, args=(aimurl, i))
    print('Waiting for all subprocesses done ...')
    p.close()  # 关闭进程池
    p.join()  # 等待开辟的所有进程执行完后，主进程才继续往下执行
    print('All subprocesses done')

 爬虫：spiders，主要就是写爬取网页的逻辑。通过创建headers列表，使用随机headers和采用断点续尝试请求的方式，提高成功率。另外，因为本次爬虫的深度较深，代码逻辑上是要好好思考的。感兴趣的详细看一下代码，应该可以理解爬取过程。

import requests
from bs4 import BeautifulSoup
import random
import time

# 选择随机headers，降低被反爬虫的可能性
ua_list = [
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
        "Mozilla/5.0 (Windows NT 6.1; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
        "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
        "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
        "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]


# 采用断点续尝试请求的方式提高爬虫成功率 经过测试网络正常一般最多retry一次就能获得结果
def getsoup(url, num_retries = 6):
    user_agent = random.choice(ua_list)
    headers = {"User-Agent": user_agent}
    try:
        res = requests.get(url,headers=headers,timeout=10) #以get方法访问目标网址获取网页信息
        res.encoding = 'gbk'  # 该网页是以gbk的编码形式显示的
        soup = BeautifulSoup(res.text, 'html.parser')  # 使用美丽汤解析网页内容
        return soup
    except Exception as e:
        if num_retries >0:
            time.sleep(10)
            print(url)
            print('requests fail，retry the last th' + str(num_retries) + '  ' + time.ctime())
            return getsoup(url, num_retries-1)
        else:
            print("retry fail!")
            print("error: %s" % e + "   " + url)
            return #返回空值 程序运行报错停止


# 获取市级代码
def getsecond(url, num):
    city = {}
    soup = getsoup(url+num+'.html')
    for j in soup.select('.citytr '):
        # print(j)
        id = str(j.select('td')[0].text)#130100000000
        city[id[0:4]] = {'qhdm': id, 'name': j.select('td')[1].text, 'cxfldm': '0'}
    return city

# 获取区县级代码
def getthird(url, lists):
    county = {}
    for i in lists:
        soup = getsoup(url+i[0:2]+'/'+i+'.html')
        for j in soup.select('.countytr '):
            # print(j)
            id = str(j.select('td')[0].text)#130201000000
            county[id[0:6]] = {'qhdm': id, 'name': j.select('td')[1].text, 'cxfldm': '0'}
    return county


# 获取镇级代码 市辖区没有下级代码
def getfourth(url, lists):
    town = {}
    for i in lists:
        # print(url+i[0:2]+'/'+i[2:4]+'/'+i+'.html')
        soup = getsoup(url+i[0:2]+'/'+i[2:4]+'/'+i+'.html')
        for j in soup.select('.towntr '):
            # print(j)
            id = str(j.select('td')[0].text)  # 130202001000
            town[id[0:9]] = {'qhdm': id, 'name': j.select('td')[1].text, 'cxfldm': '0'}# 130202001
    return town


# 获取村级代码
def getfifth(url,lists):
    village = {}
    for i in lists:
        # print(url+i[0:2]+'/'+i[2:4]+'/'+i[4:6]+'/'+i+'.html')
        soup = getsoup(url+i[0:2]+'/'+i[2:4]+'/'+i[4:6]+'/'+i+'.html')
        for j in soup.select('.villagetr '):
            # print(j)
            id = str(j.select('td')[0].text)  # 110101001001
            village[id[0:12]] = {'qhdm': id, 'name': j.select('td')[2].text, 'cxfldm': j.select('td')[1].text}# 110101001001
    return village


def spider(aimurl, num):
    city = getsecond(aimurl, num)
    print(num + ' city finished!')
    county = getthird(aimurl, city)
    print(num + ' county finished!')
    town = getfourth(aimurl, county)
    print(num + ' town finished!')
    village = getfifth(aimurl, town)
    print(num + ' village finished!')
    print(num + " crawl finished!Now,writing into txt...")
    return city, county, town, village

  细心的同学可以发现，怎么没有定义getfirst函数，实际上是有的，单进程脚本中是存在的。在单进程脚本中的思想是，先将全部的省级直辖市级爬取到，再将全部的市级爬取到，依此类推至村级。而在多进程脚本中，是先按照省为单位进行划分，再在每个省中依序爬取的。

  下载器：downloading，就是将爬取的内容下载下来，写进文本里。

def download(city, county, town, village, num):
    path = r'E:\tjyqhdmhcxhfdm2017\tjyqhdmhcxhfdm2017_ ' + num + '.txt'
    dic = {**city, **county, **town, **village}#字典合并
    for i in dic.values():
        with open(path, 'a', encoding='utf-8') as f:
            f.write('"'+i['qhdm']+'","'+i['name']+'","'+i['cxfldm']+'"'+'\n')
    print(num+" write finished!")

  完整的代码如上，感兴趣的可以复制下来尝试运行。注意：

 1、请先在下载器中定义好下载地址，提前创建好文件夹。

 2、在执行代码爬取一遍后，很有可能文件数没有31个，那是因为在爬取过程中，就算有断点续请求的方式，仍然会有一定可能性没有成功获取导致某个省的数据爬取失败。此时只要查看运行时监视器的输出结果，搜索error，即可定位到具体哪个省没有爬取成功。通过更改调度器中aimurllist，再次爬取即可。所以如果采用单进程的方式，几乎不可能完整的将整个数据下载下来。

  最后，附上全部2017年统计用区划代码和城乡划分代码(截止2017年10月31日)数据，链接如下。

  链接: https://pan.baidu.com/s/1zbQyKx1zyh4oSmi-j_WIOQ 密码: bfcu