Python 爬取国家统计局相关数据

我们的目标网址:http://data.stats.gov.cn/easyquery.htm?cn=C01
里面可以查询国家统计局发布的各种数据，这里我们针对人口进行爬取，其它项方法都是一样。
提示：看之前需要了解 HTTP 协议和 XMLHttpRequest 方法。
推荐用谷歌浏览器
首先进入下面这个页面：

图 1

然后按 F12，出现下面这个页面：

图 2

再次刷新页面，看看有什么新的东西：

图 3

注意图中选择 XHR
然后看到有三条记录
按顺序点开看看：

图 4

可以看到里面有一些信息：
Request URL: 请求的网址
Request Method: 请求方法
Status Code: 状态码等等
在 Headers 里面下滑到最后面，看到以下几个字段：

图 5

这个 Form Data 里面的东西很重要，以后要用到，现在只要记得有这个东西就行。然后看 m 对应着 getTree，然后应该可以猜到这个请求应该是获取一些目录结构的。
然后我们直接看第三个 (你也可以看看第二个)

图 6

看第三个的 m 对应的 QueryData，其实这里表示这是用来获取数据的，如何验证呢，我们点开 Preview (预览)，这里你可以看见请求过来的信息。

图 7

可以看见请求过来的是一个 json 格式 (简单来说就是字典里面套字典的一种格式)
然后可以看到非常清楚的信息对应着网页上的数据
所以现在只要我们请求这个地址，就会给我们返回这些信息，那么这个地址是什么。这时，我们要回到 Headers 里面查看

图 8

在 Request URL：后面就是我们要请求的地址，还可以看到这是用 get 方法获取的。
仔细分析这个 url，我把这个 url 拆成 2 个部分，一个是问号之前另一个是问号之后

图 9

懂 http 协议的应该都明白，问号之后的是传的一些参数给服务器的，突然发现问号之后就是一个 m，好像在哪见过不是吗，滑倒最下面

图 10

其实对应的就是上面那些参数，这里我只解释一个 k1 是什么东西 (因为其它的我还没有完成弄明白),k1 后面跟的数字其实是一个时间戳 (不懂的百度搜下就明白啦)
在 Python 里面可以用 time 库来获取

import time
ntime = int(round(time.time() * 1000))

来段代码结合来说：

# 我采用requests库
import requests
import time

# 用来获取 时间戳
def gettime():
return int(round(time.time() * 1000))

if name == ‘main’:
# 用来自定义头部的
headers = {}
# 用来传递参数的
keyvalue = {}
# 目标网址(问号前面的东西)
url = ‘http://data.stats.gov.cn/easyquery.htm’

<span class="hljs-comment"># 头部的填充</span>
headers[<span class="hljs-string">'User-Agent'</span>] = <span class="hljs-string">'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14) '</span> \
                        <span class="hljs-string">'AppleWebKit/605.1.15 (KHTML, like Gecko) '</span> \
                        <span class="hljs-string">'Version/12.0 Safari/605.1.15'</span>

<span class="hljs-comment"># 下面是参数的填充，参考图10</span>
keyvalue[<span class="hljs-string">'m'</span>] = <span class="hljs-string">'QueryData'</span>
keyvalue[<span class="hljs-string">'dbcode'</span>] = <span class="hljs-string">'hgnd'</span>
keyvalue[<span class="hljs-string">'rowcode'</span>] = <span class="hljs-string">'zb'</span>
keyvalue[<span class="hljs-string">'colcode'</span>] = <span class="hljs-string">'sj'</span>
keyvalue[<span class="hljs-string">'wds'</span>] = <span class="hljs-string">'[]'</span>
keyvalue[<span class="hljs-string">'dfwds'</span>] = <span class="hljs-string">'[]'</span>
keyvalue[<span class="hljs-string">'k1'</span>] = str(gettime())

<span class="hljs-comment"># 发出请求，使用get方法，这里使用我们自定义的头部和参数</span>
r = requests.get(url, headers=headers, params=keyvalue)
<span class="hljs-comment"># 打印返回过来的状态码</span>
<span class="hljs-keyword">print</span> r.status_code
<span class="hljs-comment"># 打印我们构造的url</span>
<span class="hljs-keyword">print</span> r.url
<span class="hljs-comment"># 打印返回的数据</span>
<span class="hljs-keyword">print</span> r.text

好像没有什么问题，但是如果你仔细看看返回过来的数据就会发现有问题，根本不是我们想要的数据，虽然也是 json 结构，但是里面的数据完全是错的。所以如何获取到我们想要的呢，返回到谷歌浏览器，进行如下操作。

图 11

先在如上的页面刷新一次，然后下面会有三条记录，然后依次点击人口 -> 总人口，然后又会多出两条记录。

图 12

很明显，多出来的第一条是第一次点击得到，多出来的第二条是第二次点击得到，由于我们是想查看总人口，也就是第二次点击传来的数据，所以点击多出来的第二条，查看它的详细信息。

图 13

滑到最下面，可以看到 dfwds 字段有东西了，之前的都没有的 (参考图 10)，原来还要传参数。修改代码：

# 我采用requests库
import requests
import time

# 用来获取 时间戳
def gettime():
    return int(round(time.time() * 1000))

if __name__ == '__main__':
    # 用来自定义头部的
    headers = {}
    # 用来传递参数的
    keyvalue = {}
    # 目标网址(问号前面的东西)
    url = 'http://data.stats.gov.cn/easyquery.htm'

    # 头部的填充
    headers['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14) ' \
                            'AppleWebKit/605.1.15 (KHTML, like Gecko) ' \
                            'Version/12.0 Safari/605.1.15'

    # 下面是参数的填充，参考图10
    keyvalue['m'] = 'QueryData'
    keyvalue['dbcode'] = 'hgnd'
    keyvalue['rowcode'] = 'zb'
    keyvalue['colcode'] = 'sj'
    keyvalue['wds'] = '[]'
    # keyvalue['dfwds'] = '[]'
    # 上面那个修改成下面这个
    keyvalue['dfwds'] = '[{"wdcode":"zb","valuecode":"A0301"}]'
    keyvalue['k1'] = str(gettime())

    # 发出请求，使用get方法，这里使用我们自定义的头部和参数
    r = requests.get(url, headers=headers, params=keyvalue)
    # 打印返回过来的状态码
    print r.status_code
    # 打印我们构造的url
    print r.url
    # 打印返回的数据
    print r.text

再来看看结果
如果耐心点可以看出，我们获取了从 2008 到 2017 的所有数据，然后我们就可以从里面进行解析数据进行存储来。但是如果要找 2000 年的呢，看下面。

图 14

从上图可以看见这个页面还提供搜索功能，于是我们也可以进行搜索。比如 2000 年。

图 15

点击确定

图 16

然后我们发现又多了一条记录，然后查看 Headers 里面，滑到最下面看，dfwds 的内容又变了，于是如果我们想要用程序模拟搜索功能，把代码中的 dfwds 改成图片里面的就可以了呢。我帮你们已经测试过了，会返回数据，但是数据会跟第一次一样，有数据，但不是我们想要的，那怎么办。

经过我几个小时到摸索，我终于搞出来了，针对于目前的情况，我们是每一次都进行一次请求，得到数据后就断了，如果要进行搜索，我们必须要建立一个对话 (Session)，然后在这个对话中把 dfwds 改成上图中的内容就可以成功获取。
代码修改：

# 我采用requests库
import requests
import time

# 用来获取 时间戳
def gettime():
    return int(round(time.time() * 1000))

if __name__ == '__main__':
    # 用来自定义头部的
    headers = {}
    # 用来传递参数的
    keyvalue = {}
    # 目标网址(问号前面的东西)
    url = 'http://data.stats.gov.cn/easyquery.htm'

    # 头部的填充
    headers['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14) ' \
                            'AppleWebKit/605.1.15 (KHTML, like Gecko) ' \
                            'Version/12.0 Safari/605.1.15'

    # 下面是参数的填充，参考图10
    keyvalue['m'] = 'QueryData'
    keyvalue['dbcode'] = 'hgnd'
    keyvalue['rowcode'] = 'zb'
    keyvalue['colcode'] = 'sj'
    keyvalue['wds'] = '[]'
    keyvalue['dfwds'] = '[{"wdcode":"zb","valuecode":"A0301"}]'
    keyvalue['k1'] = str(gettime())

    # 发出请求，使用get方法，这里使用我们自定义的头部和参数
    # r = requests.get(url, headers=headers, params=keyvalue)
    # 建立一个Session
    s = requests.session()
    # 在Session基础上进行一次请求
    r = s.get(url, params=keyvalue, headers=headers)
    # 打印返回过来的状态码
    print r.status_code
    # 修改dfwds字段内容
    keyvalue['dfwds'] = '[{"wdcode":"sj","valuecode":"2000"}]'
    # 再次进行请求
    r = s.get(url, params=keyvalue, headers=headers)
    # 此时我们就能获取到我们搜索到的数据了
    print r.text

至此一次完整获取数据的过程就结束了，上面代码进行修改就可以获取很多东西的数据，当然如果弄清各个字段的意思就更好了。如有错误请及时告知。

      </div>

转自：https://www.jianshu.com/p/9827a052da91