如何爬取国家政策网相关数据

用Python爬取国家政策网

原学习博客：https://blog.csdn.net/hua_you_qiang/article/details/114535433

我们通过搜索框搜索关键字，就能够搜索到相关的信息，回车后，网址就会发生变化。
从主页网址变成http://sousuo.gov.cn/s.htmt=zhengce&q=%E6%88%BF%E5%9C%B0%E4%BA%A7
通过这个网址可以发现“房地产”编码成了“%E6%88%BF%E5%9C%B0%E4%BA%A7”
因为网页上的网址使用汉字进行传输不方便，所以很多网址都对汉字进行编码

定义头部并导库

import requests
from bs4 import BeautifulSoup
import os
# 定义请求头header
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.190 Safari/537.36 FS"}

获取有关key值编码后的url

例如：将“房地产”转换为“%E6%88%BF%E5%9C%B0%E4%BA%A7”

# 获取有关key值的编码后的url
def get_key_url(key):
    url = 'http://sousuo.gov.cn/s.htm?t=zhengce&q='+str(key.encode()).replace(r'x', '%').upper()[2:-1]
    return url

获取相关url返回的html数据

# 获取相关url返回的html数据
def get_html(url):
    r = requests.get(url=url, headers=headers)
    r.encoding = r.apparent_encoding
    # print("状态：", r.raise_for_status)
    return r.text

获取网页的html数据如下

获取相关url返回的json数据

def get_json(url):
    r = requests.get(url=url, headers=headers)  
    r.encoding = r.apparent_encoding    
    # print("状态：", r.raise_for_status)    return r.json()

获取json数据中和所求数据有关的对象并存入url_dict字典

def get_url_list(json_text):
    url_dict = dict()
    for each in json_text['searchVO']['catMap']['gongwen']['listVO']:
        # print(each['url'],each['title'].replace('','').replace('',''))
        url_dict[each['url']] = each['title'].replace('','').replace('','')
    for each in json_text['searchVO']['catMap']['otherfile']['listVO']:
        # print(each['url'],each['title'].replace('','').replace('',''))
        url_dict[each['url']] = each['title'].replace('','').replace('','')
    return url_dict

获取到的数据（房地产第二页）如下图所示，我们要在其中通过get_url_list函数抽取listVO的数据

获取所有连接

# 获取所有的连接
def get_all_link(key):
    # print(key)
    # 对key关键字进行编码
    key = str(key.encode()).replace(r'x', '%').upper()[2:-1]
    print(key)
    # 创建一个dict字典用于存放返回所求的数据
    url_dict = dict()

    # 获取页数
    # 注意！！此处的获取页数page的代码是正确的，但是具体操作循环语句时可能会报错，因为在爬取文章的时候保存文件是以文章标题保存的txt文件，而文章标题很可能出现非法字符无法保存。所以很可能报错。
    page_text = get_html('http://sousuo.gov.cn/s.htm?t=zhengce&q='+key)
    # print(page_text)
    soup = BeautifulSoup(page_text, 'lxml')
    last_page = soup.find_all('a', attrs={'class': 'lastPage'})
    # print(type(last_page[0]))
    page = int(last_page[0].get('page'))
    # print(type(page))
    print(page)

    # 爬取的页数（假定爬取3页，如果确定标题名保存无误可以填page）
    for i in range(3):
        # 请求的url
        url = 'http://sousuo.gov.cn/data?t=zhengce&q='+key+'&timetype=timeqb&mintime=&maxtime=&sort=&sortType=1&searchfield=title&pcodeJiguan=&childtype=&subchildtype=&tsbq=&pubtimeyear=&puborg=&pcodeYear=&pcodeNum=&filetype=&p='+str(i)+'&n=5&inpro='
        json_text = get_json(url)
        print(json_text)
        dic = get_url_list(json_text)
        if not dic:
            print("无")
            break
        url_dict.update(dic)
    return url_dict

保存文件

# 保存文件
def save_file(url, title, key):
    print(url)
    text = get_html(url)
    soup = BeautifulSoup(text, 'lxml')
    # 标题作为保存，可能会出现非法命名字符而报错
    fp = open(f'../file/{key}/{title}.txt', 'w', encoding='utf-8')
    for each in soup.find_all('p'):
        if each.string:
            print(each.string)
            fp.writelines(each.string)
    fp.close()
    print("写入成功")

所有代码

import requests
import lxml
from bs4 import BeautifulSoup
import re
import os
# 定义请求头header
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.190 Safari/537.36 FS"}


def get_key_url(key):
    url = 'http://sousuo.gov.cn/s.htm?t=zhengce&q='+str(key.encode()).replace(r'x', '%').upper()[2:-1]
    return url

# 获取相关url返回的html数据
def get_html(url):
    r = requests.get(url=url, headers=headers)
    r.encoding = r.apparent_encoding
    # print("状态：", r.raise_for_status)
    return r.text

# 获取相关url返回的json数据
def get_json(url):
    r = requests.get(url=url, headers=headers)
    r.encoding = r.apparent_encoding
    # print("状态：", r.raise_for_status)
    return r.json()

# 获取json数据中和所求数据有关的对象并存入url_dict字典
def get_url_list(json_text):
    url_dict = dict()
    for each in json_text['searchVO']['catMap']['gongwen']['listVO']:
        # print(each['url'],each['title'].replace('','').replace('',''))
        url_dict[each['url']] = each['title'].replace('','').replace('','')
    for each in json_text['searchVO']['catMap']['otherfile']['listVO']:
        # print(each['url'],each['title'].replace('','').replace('',''))
        url_dict[each['url']] = each['title'].replace('','').replace('','')
    return url_dict

# 获取所有的连接
def get_all_link(key):
    # print(key)
    key = str(key.encode()).replace(r'x', '%').upper()[2:-1]
    print(key)
    url_dict = dict()

    # 获取关键字页数page
    page_text = get_html('http://sousuo.gov.cn/s.htm?t=zhengce&q='+key)
    # print(page_text)
    soup = BeautifulSoup(page_text, 'lxml')
    last_page = soup.find_all('a', attrs={'class': 'lastPage'})
    # print(type(last_page[0]))
    page = int(last_page[0].get('page'))
    # print(type(page))
    print(page)

    for i in range(page):
        url = 'http://sousuo.gov.cn/data?t=zhengce&q='+key+'&timetype=timeqb&mintime=&maxtime=&sort=&sortType=1&searchfield=title&pcodeJiguan=&childtype=&subchildtype=&tsbq=&pubtimeyear=&puborg=&pcodeYear=&pcodeNum=&filetype=&p='+str(i)+'&n=5&inpro='
        json_text = get_json(url)
        print(json_text)
        dic = get_url_list(json_text)
        if not dic:
            print("无")
            break
        url_dict.update(dic)
    return url_dict

# 保存文件
def save_file(url, title, key):
    print(url)
    text = get_html(url)
    soup = BeautifulSoup(text, 'lxml')
    fp = open(f'../file/{key}/{title}.txt', 'w', encoding='utf-8')
    for each in soup.find_all('p'):
        if each.string:
            print(each.string)
            fp.writelines(each.string)
    fp.close()
    print("写入成功")


def main():
    key = input("请输入想要搜索的关键字：")
    if not os.path.exists(f'../file/{key}/'):
        os.makedirs(f'../file/{key}/')
    url_dict = get_all_link(key)
    for url in url_dict:
        save_file(url, url_dict[url], key)

main()

通过以上的学习，我明白了断点调试以及及时print输入的重要性。我可以在调试的过程中，知道哪一步出现问题并及时解决。

这是我第一次编写实例爬虫的代码，一个下午搞定了结果，但是深究代码的逻辑和里面的具体内涵还是十分重要的。希望以后能多多练习爬虫的代码并及时分析记录有关python爬虫的相关步骤和逻辑。

实验改进

因为在save_file的时候会遇见文章标题名不符合文件保存要求的情况，导致报错，所以我们可以定义一个函数对爬取下来的标题进行替换非法字符，然后再保存。

def filename_is_leagal(filename):
    unstr = ['？','<','>','"','：','|','/','\','*']
    for i in unstr:
        if i in filename:
            filename = filename.replace(i,',')
    return filename

然后在保存文件的时候进行：

# 保存文件
def save_file(url, title, key):
    print(url)
    text = get_html(url)
    title = filename_is_leagal(title)#标题非法字符替换
    soup = BeautifulSoup(text, 'lxml')
    fp = open(f'../file/{key}/{title}.txt', 'w', encoding='utf-8')
    for each in soup.find_all('p'):
        if each.string:
            print(each.string)
            fp.writelines(each.string)
    fp.close()
    print("写入成功")

如何爬取国家政策网相关数据

Python相关栏目本月热门文章