对代码进行了修改,从python2调整为python3,并对代码进行了优化。20210515
在上一篇博客谷歌GDELT数据说明中,我对GDELT数据进行了说明,在这篇文档中直接上代码,有需要的可以直接使用并下载数据,有问题欢迎留言。
GDELT提供了好几种数据,包括gkg、event、mentions等数据,我在代码中下载的是event数据,可以自己修改原始链接,代码应该可以通用,原理是一样的。
###需要注意,数据量较大,截止到2017.7.18全部下载下来需要150多GB,所以下载的时候最好下载到硬盘中,免得电脑内存不足。
# -*-coding:utf-8-*-
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import zipfile
import sys
import multiprocessing
import random
import os
path = os.path.split(os.path.abspath(__file__))[0] + os.sep # 获取当前文件所在目录
data_folder = path + 'data' + os.sep
def get_url_list(url):
'''获取页面下的所有url,保存到url_list.txt中,并返回url_list'''
html = requests.get(url).text
soup = BeautifulSoup(html, 'lxml')
url_list = []
for li in soup.body.ul.find_all('li'):
href = 'http://data.gdeltproject.org/events/' + li.a['href']
url_list.append(href)
print(len(url_list))
with open(path + 'url_list.txt', 'w') as f:
for url in url_list[3:-1]: # 前三个url和最后一个不是我们需要的数据,故跳过
f.write(url + '\n')
return url_list[3:-1]
def get_url_data(url):
global data_folder
if not os.path.exists(data_folder):
os.mkdir(data_folder) # 若文件夹不存在,则主动创建
filename = url.split('/')[-1] # 从url链接中获取文件名称
filepath = data_folder + filename
if os.path.exists(filepath) or os.path.exists(filepath[:-4]): # 若文件已下载,则跳过
print('文件%s已存在' % filename)
return
print(filename)
try:
data = requests.get(url)
with open(filepath, "wb") as f:
f.write(data.content)
fz = zipfile.ZipFile(filepath, 'r')
fz.extract(fz.namelist()[0], data_folder) #解压下载下来的zip文件夹
fz.close()
if os.path.exists(filepath):
os.remove(filepath) # 删除zip文件夹,只保存解压后的数据
except Exception as e:
print(e)
log = open(path + 'log.txt', 'a')
log.write(url + '\n')
def download():
url = 'http://data.gdeltproject.org/events/index.html'
print('获取文件链接', datetime.now())
url_list = get_url_list(url)
print('下载文件数据', datetime.now())
pool = multiprocessing.Pool() # 开启进程池,使用多进程提高下载速度
pool.map(get_url_data, url_list)
if __name__ == '__main__':
download()