国家统计局统计用区划代码和城乡划分代码---爬虫、详细分析

全部代码以及分析见GitHub：https://github.com/dta0502/NBSPRC-spider

详细分析见我的个人博客：国家统计局的统计用区划代码和城乡划分代码爬虫-（二）总体实现

---

页面分析

这里我分析一下页面，为后面的页面解析做准备。我就拿2016年的页面做下分析：2016年统计用区划代码和城乡划分代码(截止2016年07月31日)。

省级页面分析

省级信息提取

我们进入到2016年统计用区划代码和城乡划分代码(截止2016年07月31日)这个页面，然后用chrome的“检查”工具看下我们要找的信息在哪。
这里我们需要爬取省级名称、省内市级信息的子链接这两个参数。
我们从图中可以发现，左边页面每一行对应的XPath路径为：

//tr[@class="provincetr"]

然后一行中每个省的信息在下一级的td标签内：

td/a/text()
td/a/@href

下级链接获取

省级页面的URL：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html

下级页面的URL（我这里以浙江省为例）：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33.html

页面中提取到的信息（我这里以浙江省为例）：

33.html

所以我们可以通过如下方式获取真实的URL保存到一个列表中：

url = "http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html"
# provinceLink = "33.html"
provinceURL = url[:-10] + provinceLink

市级页面分析

市级信息提取

我们进入到浙江省中。具体的分析跟上面的省级页面分析类似，不再赘述。下面是市级页面分析图：

下级链接获取

市级页面的URL：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33.html

下级页面的URL（我这里以杭州市为例）：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33/3301.html

页面中提取到的信息（我这里以杭州市为例）：

33/3301.html

区级页面分析

区级信息提取

我们进入到杭州市中。具体的分析跟上面的省级页面分析类似，不再赘述。下面是区级页面分析图：

下级链接获取

区级页面的URL：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33/3301.html

下级页面的URL（我这里以上城区为例）：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33/01/330102.html

页面中提取到的信息（我这里以上城区为例）：

01/330102.html

街道页面分析

街道信息提取

我们进入到上城区中。具体的分析跟上面的省级页面分析类似，不再赘述。下面是街道页面分析图：

下级链接获取

街道页面的URL：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33/01/330102.html

街道页面的URL（我这里以湖滨街道为例）：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/33/01/02/330102003.html

页面中提取到的信息（我这里以湖滨街道为例）：

02/330102003.html

居委会页面分析

居委会信息提取

我们进入到湖滨街道中。具体的分析跟上面的省级页面分析类似，不再赘述。下面是居委会页面分析图：

这里已经到了最底层，没有下级链接了。

---

国家统计局的统计用区划代码和城乡划分代码爬取—第一版

下面我们开始一步步爬取过程。

导入库

import requests
from lxml import etree
import csv

主页面爬取过程

url = "http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html"
headers={
   
   'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}

这里需要注意一下，国家统计局的统计用区划代码和城乡划分代码网页的编码为gb2312。一般我都采用下面的代码来获取页面：

data = requests.get(url,headers = headers).text

但是在碰到这个编码方式时会出现乱码，所以做出如下改变：

response = requests.get(url,headers = headers)
response.apparent_encoding

'GB2312'

response.encoding = response.apparent_encoding

data = response.text

页面解析过程

省级名称、URL获取

selector = etree.HTML(data)
provinceList = selector.xpath('//*[@class="provincetr"]')

provinceList

[<Element tr at 0x54a4c88>,
 <Element tr at 0x54b4148>,
 <Element tr at 0x54b4188>,
 <Element tr at 0x54b41c8>]

for i in provinceList:
    provinceName = i.xpath('td/a/text()')
    provinceLink = i.xpath('td/a/@href')

下面是根据获取到的每个省的链接进行补全，得到真实的URL。

provinceURL = provinceLink
for i in range(len(provinceLink)):
    for j in range(len(provinceLink[i])):
        provinceURL[i][j][0] = url[:-10] + provinceLink[i][j][0]
provinceURL[0:2]

['http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/11.html',
 'http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/12.html']

市级代码、URL获取

cityCode = [] #第二维的数组
cityLink = []
cityName = []
for provURL in provinceURL:
    response = requests.get(provURL,headers = headers)
    response.encoding = response.apparent_encoding
    data = response.text
    selector = etree.HTML(data)
    cityList = selector.xpath('//tr[@class="citytr"]')
    #下面是抓取每一个城市的代码、URL
    Code = [] #第一维的数组：里面存储了一个省下辖的市的信息
    Link = []
    Name = []
    for i in cityList:
        Code.append(i.xpath('td[1]/a/text()'))
        Link.append(i.xpath('td[1]/a/@href'))
        Name.append(i.xpath('td[2]/a/text()'))
    cityCode.append(Code)
    cityLink.append(Link)
    cityName.append(Name)

cityCode[3][0:2]

[['140100000000'], ['140200000000']]

cityLink[3][0:2]

[['14/1401.html'], ['14/1402.html']]

cityName[3][0:2]

[['太原市'], ['大同市']]

下面是根据获取到的每个市的链接进行补全，得到真实的URL。

cityLink[0][0][0]

'11/1101.html'

cityURL = cityLink
for i in range(len(cityLink)):
    for j in range(len(cityLink[i])):
        cityURL[i