史上超详细python爬取国家统计局数据

引言：当我们练习数据分析或者数学建模需要数据的时候，如果找不到现成的数据，爬虫不失为一种很好的获取数据的技术手段

首先声明，本博客仅为个人学习记录，所爬取数据为国家统计局公开数据，不做任何商业用途仅供学习用途，如果能提供一丁点参考将是本人的荣幸

在开始之前，我顺带提一下Robots协议。Robots协议全程Robots Exclusion Protocol，简单来说就是该协议规定了哪些能爬哪些不能爬，具体详见–>Robots协议
环境说明:
jupyter notebook(交互式感觉对爬虫来说更方便)
Chrome浏览器

1.首先查看网站

浏览器输入: http://data.stats.gov.cn/easyquery.htm?cn=A01 打开如下图所示：

我们要爬取的就是红框中的内容

2.分析网页结构

2.1 按F12，出现如下页面

2.2 但我们需要的并不是这个页面，还需要点击箭头指向的NetWork，然后在下面找到XHR，如下图所示:
XHR简介

点开第一个可以发现诸如URL、状态码之类的，在这里，应该留意到页面底部的Query String Parameters，后面会用到

2.3 然后我们依次点开剩下的两个
第二个的URL和Query String Parameters分别是：


第三个URL和Query String Parameters分别是：


通过分析第二个和第三个我们发现，它们的前面部分是一样的，即http://data.stats.gov.cn/easyquery.htm，问号后面的内容虽然不一样，但是和自己Query String Parameters里面的内容一样。学过计算机网络的都应该知道问号后面是传给服务器的参数。

2.4 我们可以发现第三个URL中有个m=QueryData，那我们应该可以做一个大胆的猜测：这个URL就是返回数据的。我们可以点开Response简单验证下:

与页面展示的数据进行比对，发现数据吻合，那说明我们猜想的线路没错
因此我们已经初步可以根据Query String Parameters构造键值对了，但是并没有完，这里有个小陷阱，后面详讲

3. 避开陷阱

3.1 上面我们提到了有个小陷阱，那就是如果我们直接使用Request URL，爬取的数据与页面并不一样。 这是为什么呢？让我们继续仔细查看网页，我们可以看到一个下拉式菜单

当我们点击“最近13个月”的时候，XHR里面会多出来一项

我们可以看到，新的这一条Query String Parameters里面dfwds不再是空了，而之前第三条的dfwds为空。当我们再次查看Response的时候，会发现数据吻合。那么新的这一条URL应该就能真实返回数据了。这里的k1经查证，是时间戳

4. 开始爬虫

• 需要导入的库如下:

• import requests
  import numpy as np
  import pandas as pd
  from bs4 import BeautifulSoup
  import time
  import json
  

• 生成时间戳

• def getTime():
      return int(round(time.time() * 1000))
  

• 爬虫代码，传递url、headers、键值对参数。最终爬取的数据以json的形式展示

• url='http://data.stats.gov.cn/easyquery.htm?cn=A01'
  headers={'User-Agent':'Mozilla/5.0(Windows;U;Windows NT6.1;en-US;rv:1.9.1.6) Geko/20091201 Firefox/3.5.6'}#浏览器代理
  key={}#参数键值对
  key['m']='QueryData'
  key['dbcode']='hgyd'
  key['rowcode']='zb'
  key['colcode']='sj'
  key['wds']='[]'
  key['dfwds']='[{"wdcode":"sj","valuecode":"LAST13"}]'
  key['k1']=str(getTime())
  r=requests.get(url,headers=headers,params=key)
  js=json.loads(r.text)
  js
  

  爬虫数据json展示如下：
  

  5. 数据预处理

  这里对于数据的处理操作我搞得比较冗余，熟悉的朋友可以按自己的思路走 我们想要的数据其实是在strdata里面，但是这个strdata被层层“包裹”，需要像剥洋葱一样一层一层剥开。但是一定要注意，剥开一层之后数据格式的变化！
• 初步解析json，首先查看strdata最外层，我们可以看到strdata外面还包裹了一层'datanodes'

• 

• 进一步解析json，这次我们应该剥开"datanodes"，并查看它数据格式为后面做准备

• 

• 既然是列表，那我们获取元素就更方便了，但应该注意的是列表里面的元素数据格式是字典类型

• 

• 我们可以从上图看到strdata就是键值对的值，同时整个字典类型数据存在于列表里面，那事情就好办啦——遍历列表通过键获取值

• 

• 将列表转换成9*13的DataFrame

• 

• DataFrame行列重命名

• 

• 最终结果展示

• 
  为数不多的几次爬虫，写得不好的地方请大家指正