当前位置 博文首页 > AI19970205的博客:爬取国家统计局人口与就业统计数据,看了你的
大家好,我是辣条。
网站:国家统计局
开发工具:pycharm
开发环境:python3.7, Windows10
使用工具包:requests,lxml
requests的使用
xpath的提取数据方法
获取Excel下载地址
数据来源:http://www.stats.gov.cn/tjsj/pcsj/rkpc/6rp/lefte.htm ???
每个选项对应的是单独的表格数据 请求数据来源地址 通过xpath的方式提取出数据的下载地址 提取出数据的href属性 提取出数据的标题
url = 'http://www.stats.gov.cn/tjsj/pcsj/rkpc/6rp/lefte.htm'
response = Tools(url).content.decode('gbk')
html = etree.HTML(response) # 创建HTML对象
title = html.xpath('//ul[@id="foldinglist"]/li/a/text()') # text获取该标签内的文字内容
details = html.xpath('//ul[@id="foldinglist"]/li/a/@href') [:-13]# 下载地址的后缀
取出数据拼接出新的url地址 获取到新的表格下载地址 再次请求新的url 保存文件数据
import requests
from lxml import etree
?
?
def Tools(url):
? ?# 模拟浏览器请求 防止被反爬 请求头
? ?headers = {
? ? ? ?'Referer': 'http://www.stats.gov.cn/tjsj/pcsj/rkpc/6rp/indexce.htm',
? ? ? ?'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36 Edg/91.0.864.59'
? }
? ?response = requests.get(url, headers=headers)
? ?return response
?
?
def Save(name, urls):
? ?'''
? 请求Excel下载地址 并且保存到代码同路径的 index文件夹
? :param name: 存储的名称
? :param urls: xls 下载地址
? :return:
? '''
? ?response = Tools(urls).content ?# 返回的是字节
? ?f = open('{}.xls'.format(name), 'ab')
? ?f.write(response)
? ?f.close()
? ?print('{}下载完成.....'.format(name))
?
?
url = 'http://www.stats.gov.cn/tjsj/pcsj/rkpc/6rp/lefte.htm'
response = Tools(url).content.decode('gbk')
html = etree.HTML(response) # 创建HTML对象 xml格式
title = html.xpath('//ul[@id="foldinglist"]/li/a/text()') # text获取该标签内的文字内容
details = html.xpath('//ul[@id="foldinglist"]/li/a/@href') [:-13]# 下载地址的后缀
for t, d in zip(title, details):
? ?urls = 'http://www.stats.gov.cn/tjsj/pcsj/rkpc/6rp/' + d
? ?Save(t, urls)
辣条建立了一个小白Python学习交流扣群383855172【广告、大佬勿扰】