大数据Python：爬取疫情每日数据（附代码）
目前每天各大平台，如腾讯、今日头条都会更新疫情每日数据，他们的数据源都是一样的，主要都是通过各地的卫健委官网通报。
为什么已经有大量平台做了每日跟踪了，我还要爬数据呢？
这是因为各...
目前每天各大平台，如腾讯、今日头条都会更新疫情每日数据，他们的数据源都是一样的，主要都是通过各地的卫健委官网通报。
为什么已经有大量平台做了每日跟踪了，我还要爬数据呢？
这是因为各大平台为了统一各省市数据的格式，会有意无意地忽略一些不是特别关键的数据，同时即使是卫健委官网的数据里，也隐含了一些不容易发现的数据。
1、以上海卫健委的数据为例，缺少了“当日新增疑似数”，只有“当前累计疑似数”，这就需要我们根据“累计排除疑似数”、“累计确诊数”和“当前累计疑似数”三者相加后，与前一天三者之和相减来获得。
2、又比如在一开始，国家卫健委的数据里是没有湖北当日新增数的（后来加进去了），这也使得我们只有把2个卫健委的数据都获得后简单计算才能获得。
3、再比如我最后有张表格，是四率：重症率、死亡率、治愈率和确诊率，这些都是比较有用的数据。以全国、湖北和上海为例，分别为以下三个网站：
国家卫健委官网：http://www.nhc.gov.cn/xcs/yqtb/list_gzbd.shtml
湖北卫健委官网：http://wjw.hubei.gov.cn/bmdt/ztzl/fkxxgzbdgrfyyq/xxfb/
上海卫健委官网：http://wsjkw.sh.gov.cn/xwfb/index.html
其中上海的卫健委官网数据比较好爬，虽然需要使用cookies，但是用chrome登录后即可自动获取。
国家卫健委使用的反爬技术比较高，首先网站是shtml，cookies一直在变，我实测基本在20秒不到就会变化一次；另外做了selenium检测，所以selenium爬虫是无用的。
网上有反反爬的技术，只是暂时我还没有时间研究，等以后再看吧。
另：今天早上在测试代码的时候，上海的数据经常会出现无响应的情况，原因不知。
成果：
获得数据后就可以做很多事情了，比如放到excel里，比如直接matplotlib作图，又或者做arima预测。
比如我做了个简单的excel，如下图所示（红色部分是爬取到的数据）：
完整代码：
import requests
from bs4 import BeautifulSoup
import datetime
import re
from selenium import webdriver
import time
import xlwings as xw
def get_sh_data(url):
'''获得上海卫健委的数据'''
r = requests.get(url=url, headers=sh_headers)
sh_dict = {}
soup = BeautifulSoup(r.text, 'lxml')
# print(soup)
ivs_content = soup.find(name='div', attrs={'id':'ivs_content', 'class':'Article_content'})
new_text = ivs_content.get_text()
# print(new_text)
sh_dict['累计排除疑似'] = re.search('已累计排除疑似病例(\d+)例', new_text).group(1)
sh_dict['累计确诊'] = re.search('发现确诊病例(\d+)例', new_text).group(1)
style2 = '(\d+)例病情危重，(\d+)例重症，(\d+)例治愈出院，(\d+)例死亡'
sh_dict['累计重症'] = int(re.search(style2, new_text).group(1)) + int(re.search(style2, new_text).group(2))
sh_dict['累计治愈'] = re.search(style2, new_text).group(3)
sh_dict['累计死亡'] = re.search(style2, new_text).group(4)
sh_dict['累计疑似'] = re.search('尚有(\d+)例疑似病例正在排查中', new_text).group(1)
return sh_dict
def get_sh_today_news():
'''获得上海卫健委的新闻'''
url = r'http://wsjkw.sh.gov.cn/xwfb/index.html'
r = requests.get(url=url, headers=sh_headers)
soup = BeautifulSoup(r.text, 'lxml')
# print(soup)
today_format = datetime.datetime.today().strftime('%Y-%m-%d')
today_sh_news = soup.find_all(name='span', text=today_format)
today_counts = len(today_sh_news)
for i in range(today_counts-1, -1, -1):
title = today_sh_news[i].find_previous_sibling(name='a').attrs['title'] # 标题
href = 'http://wsjkw.sh.gov.cn' + today_sh_news[i].find_previous_sibling(name='a').attrs['href'] #网址
if title.startswith('上海新增'):
# print(title)
return get_sh_data(href)
def get_all_today_news():
'''获得国家卫健委的新闻'''
url = 'http://www.nhc.gov.cn/xcs/yqtb/list_gzbd.shtml'
r = requests.get(url, headers=quanguo_headers)
soup = BeautifulSoup(r.text, 'lxml')
# print(soup)
today_format = datetime.datetime.today().strftime('%Y-%m-%d')
latest_news_title = soup.find(name='span', text=today_format).find_previous_sibling(name='a').attrs['title']
latest_news_href = 'http://www.nhc.gov.cn' + soup.find(name='span', text=today_format).find_previous_sibling(name='a').attrs['href']
# print(latest_news_href)
return get_all_today_data(latest_news_href)
def get_all_today_data(url):
'''获得国家卫健委的数据'''
r = requests.get(url, headers=quanguo_headers)
all_dict = {}
hubei_dict = {}
soup = BeautifulSoup(r.text, 'lxml')
news = soup.find(name='p').get_text()
# print(news)
all_dict['新增疑似'] = re.search('新增疑似病例(\d+)例', news).group(1)
all_dict['累计疑似'] = re.search('现有疑似病例(\d+)例', news).group(1)
all_dict['累计确诊'] = re.search('累计报告确诊病例(\d+)例', news).group(1)
all_dict['累计重症'] = re.search('其中重症病例(\d+)例', news).group(1)
all_dict['累计死亡'] = re.search('累计死亡病例(\d+)例', news).group(1)
all_dict['累计治愈'] = re.search('累计治愈出院病例(\d+)例', news).group(1)
hubei_dict['新增疑似'] = re.search('新增疑似病例(\d+)例.*?（武汉(\d+)例', news).group(1)
hubei_dict['新增确诊'] = re.search('湖北新增确诊病例(\d+)例.*?（武汉(\d+)例', news).group(1)
hubei_dict['新增死亡'] = re.search('新增死亡病例(\d+)例.*?（武汉(\d+)例', news).group(1)
hubei_dict['新增治愈'] = re.search('新增治愈出院病例(\d+)例（武汉(\d+)例）', news).group(1)
hubei_dict['累计重症'] = re.search('其中重症病例(\d+)例.*?（武汉(\d+)例', news).group(1)
# print(all_dict, hubei_dict)
return all_dict, hubei_dict
def get_cookie(url):
driver = webdriver.Chrome()
driver.get(url)
time.sleep(3)
cookies = driver.get_cookies()
driver.quit()
items = []
for i in range(len(cookies)):
cookie_value = cookies[i]
item = cookie_value['name'] + '=' + cookie_value['value']
items.append(item)
cookiestr = '; '.join(a for a in items)
return cookiestr
def get_into_excel():
'''把数据贴到excel里'''
app = xw.App(visible=True, add_book=False)
app.display_alerts = False
app.screen_updating = False
wb = app.books.open('新型冠状病毒每日数据.xlsx')
ws = wb.sheets['all']
max_row = ws.api.UsedRange.Rows.count
ws.range('C' + str(max_row)).value = hubei_data['新增确诊']
ws.range('K' + str(max_row)).value = hubei_data['新增死亡']
ws.range('O' + str(max_row)).value = hubei_data['新增治愈']
ws.range('S' + str(max_row)).value = hubei_data['新增疑似']
ws.range('AA' + str(max_row)).value = hubei_data['累计重症']
ws.range('R' + str(max_row)).value = all_data['新增疑似']
ws.range('AL' + str(max_row)).value = all_data['累计疑似']
ws.range('V' + str(max_row)).value = all_data['累计确诊']
ws.range('Z' + str(max_row)).value = all_data['累计重症']
ws.range('AD' + str(max_row)).value = all_data['累计死亡']
ws.range('AH' + str(max_row)).value = all_data['累计治愈']
ws.range('AN' + str(max_row)).value = sh_data['累计排除疑似']
ws.range('Y' + str(max_row)).value = sh_data['累计确诊']
ws.range('AC' + str(max_row)).value = sh_data['累计重症']
ws.range('AK' + str(max_row)).value = sh_data['累计治愈']
ws.range('AG' + str(max_row)).value = sh_data['累计死亡']
ws.range('AM' + str(max_row)).value = sh_data['累计疑似']
wb.save()
wb.close()
app.quit()
if __name__ == "__main__":
sh_headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
'Cookie': get_cookie('http://wsjkw.sh.gov.cn/xwfb/index.html'),
# 'Cookie': 'zh_choose=s; zh_choose=s; _gscu_2010802395=80620430ie0po683; yd_cookie=12f170fc-e368-4a662db5220af2d434160e259b2e31585efb; _ydclearance=2cd0a8873fd311efcda1c1aa-05fc-4001-a108-0e86b80b3fee-1580700296; _gscbrs_2010802395=1; _pk_ref.30.0806=%5B%22%22%2C%22%22%2C1580693101%2C%22https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3DDVUbOETLyMZLC5c_V7RJRbAYPvyqaU3f2PCBi2-E6KC2QEFltdrKWGmhgA5NbC3c%26wd%3D%26eqid%3Df38b30250015e1c5000000045e365a8d%22%5D; _pk_ses.30.0806=*; _pk_id.30.0806=35b481da38abb562.1580620431.6.1580694952.1580693101.; _gscs_2010802395=80693100qds57e17|pv:6; AlteonP=ALa1BGHbHKyWUqcNUGRETw$$',
'Host': 'wsjkw.sh.gov.cn'
}
quanguo_headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
'Cookie': 'oHAcoULcWCQb80S=pxzexGFCvyGV4xDkaMHSyjBmzwXn5O4vfCbxFCgMDfcBaKqsFU9FHstqjFY6wJt9; yfx_c_g_u_id_10006654=_ck20020209283417867964364567575; _gscu_2059686908=81579037nbf5xc58; insert_cookie=67313298; yfx_f_l_v_t_10006654=f_t_1580606914774__r_t_1581643181169__v_t_1581678949269__r_c_14; security_session_verify=a2efd6893c3ad08675db9b0f5c365ecf; oHAcoULcWCQb80T=4Ywh2qE8IiJP44ThdpW0fs7Yqi1Hwlh9RhJHrW2WVl536y4eCIgXxGh9M8IuYUqGUCCtBO5kBc2DB6Kewd3naLK_O2bK5W3w3pcqT.uX3asTXxC2SGBqy9eV2DoGB0ZXb4uTPzPGbXebmT6xIYxbAmGbm_kZVX_nUvBL4nkAuFAVvcGLBmXr8nsdEToXztqZUlYnTjn9niwHMcg3th7XhJvFS_tckqRq5bLpvS_IKPuYn2JLraIIejlErBhA5IQhyHXFekNynv5PYgpzu2PguGccrP3c_bcg1MFViQjKVhgs_B22Nv4NxdHdiIk9GdZDZBjQ',
'Host': 'www.nhc.gov.cn'
}
#一、全国和湖北的数据
all_data, hubei_data, sh_data = {}, {}, {}
try:
all_data, hubei_data = get_all_today_news()
print('全国数据：{}\n'
'湖北数据：{}'.format(all_data, hubei_data))
except:
print('全国数据未更新')
#二、上海的数据
try:
sh_data = get_sh_today_news()
print('上海数据：{}'.format(sh_data))
except:
print('上海数据未更新')
#三、导出到excel里
if sh_data != {} and all_data != {}:
get_into_excel()
print('Excel刷新成功！')- 发表于 2020-02-26 10:32
- 阅读 ( 692 )
- 分类：Python开发
