首页 / PYTHON / Python：爬取疫情每日数据
Python：爬取疫情每日数据
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python：爬取疫情每日数据，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7850字，纯文字阅读大概需要12分钟。
内容图文
前言
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。
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。
代码
import requests
from bs4 import BeautifulSoup
import datetime
import re
from selenium import webdriver
import time
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')
try:
news = soup.find_all(name='span')
for new in news:
new_text = new.get_text()
if len(new_text) >=10:
# print(new_text)
if new_text.startswith('截至'):
style1 = re.compile('.*?上海市已累计排除疑似病例(\d+)例.*?确诊病例(\d+)例')
sh_paichu = re.search(style1, new_text).group(1)
sh_quezhen = re.search(style1, new_text).group(2)
sh_dict['累计排除疑似'] = sh_paichu
sh_dict['累计确诊'] = sh_quezhen
elif new_text.startswith('目前'):
style2 = re.compile('(\d+)例病情危重.*?(\d+)例重症.*?(\d+)例治愈.*?(\d+)例死亡.*?尚有(\d+)例疑似病例')
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(style2, new_text).group(5)
except:
print('上海数据未更新！')
finally:
# print(sh_dict)
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')
try:
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)
except:
print('上海数据未更新1')
return {}
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')
try:
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)
except:
print('全国数据未更新1')
return ({}, {})
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')
try:
news = soup.find(name='p').get_text()
# print(news)
style1 = re.compile('新增确诊病例(\d+)例.*?（湖北省(\d+)例.*?重症病例(\d+)例.*?湖北省(\d+)例.*?死亡病例(\d+)例.*?湖北省(\d+)例.*?治愈出院病例(\d+)例.*?湖北省(\d+)例.*?疑似病例(\d+)例.*?湖北省(\d+)例')
style2 = re.compile('.*?累计报告确诊病例(\d+)例.*?现有重症病例(\d+)例.*?累计死亡病例(\d+)例.*?累计治愈出院病例(\d+)例.*?疑似病例(\d+)例')
style3 = re.compile('.*?累计追踪到密切接触者(\d+)人.*?解除医学观察(\d+)人.*?共有(\d+)人正在接受医学观察')
hubei_dict['新增确诊'] = re.search(style1, news).group(2)
hubei_dict['新增重症'] = re.search(style1, news).group(4)
hubei_dict['新增死亡'] = re.search(style1, news).group(6)
hubei_dict['新增治愈'] = re.search(style1, news).group(8)
hubei_dict['新增疑似'] = re.search(style1, news).group(10)
all_dict['新增疑似'] = re.search(style1, news).group(9)
all_dict['累计确诊'] = re.search(style2, news).group(1)
all_dict['累计重症'] = re.search(style2, news).group(2)
all_dict['累计死亡'] = re.search(style2, news).group(3)
all_dict['累计治愈'] = re.search(style2, news).group(4)
all_dict['累计疑似'] = re.search(style2, news).group(5)
all_dict['累计密切接触者'] = re.search(style3, news).group(1)
all_dict['累计医学观察者'] = re.search(style3, news).group(3)
# print(all_dict, hubei_dict)
except:
print('全国数据未更新！')
finally:
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
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; insert_cookie=67313298; security_session_verify=cdd046e368d8aca2f5503e2ccffd1d6f; yfx_f_l_v_t_10006654=f_t_1580606914774__r_t_1580694464711__v_t_1580695075457__r_c_2; oHAcoULcWCQb80T=4Keu.kLbpJzFTgYuS17WBAWziJn6so.QUEz6HHm0Fo8Gy_MmgQ3KoO.QYwdhMVG3RTKnfG84frm5f0CmsZgt5.CczGuklquP7LpEAcyl4Mfyln5xXmcOoaIbghHy10ediSfInBUc59SIxyekXKFlKdqXhFwvS47acnhsTNlVbspCopRBIcCHNc8HxRasIhLSBFs8UjiLwlcBdw.3MEDQ.m4O6jFo1M2xJfxrhFu1z1Pv_ZmynVDcLndwflWVg20Nn3.xdZ7_5ERSB3fpOKu6CXwAkGTaDnnG5jDQ01y5w5U1h8nv_WRm1TgQnnrbf3AOmHUEKesvqnbCx0WQB0HVocLg6kLJbGLtDrlKix0h97Vu.SG',
'Host': 'www.nhc.gov.cn'
}
#一、全国和湖北的数据
all_data, hubei_data = get_all_today_news()
# print(all_data, hubei_data)
try:
all_commited = all_data['累计确诊']
all_intensive = all_data['累计重症']
all_death = all_data['累计死亡']
all_cure = all_data['累计治愈']
all_suspection = all_data['累计疑似']
all_new_suspection = all_data['新增疑似']
hubei_new_commited = hubei_data['新增确诊']
hubei_new_intensive = hubei_data['新增重症']
hubei_new_death = hubei_data['新增死亡']
hubei_new_cure = hubei_data['新增治愈']
hubei_new_suspection = hubei_data['新增疑似']
except:
print('全国数据未更新2')
#二、上海的数据
sh_data = get_sh_today_news()
try:
sh_commited = sh_data['累计确诊']
sh_intensive = sh_data['累计重症']
sh_death = sh_data['累计死亡']
sh_cure = sh_data['累计治愈']
sh_suspection = sh_data['累计疑似']
sh_exclude_suspection = sh_data['累计排除疑似']
except:
print('上海数据未更新2')
print('全国数据：{}\n'
'湖北数据：{}\n'
'上海数据：{}'.format(all_data, hubei_data, sh_data))
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）：
内容总结
以上是互联网集市为您收集整理的Python：爬取疫情每日数据全部内容，希望文章能够帮你解决Python：爬取疫情每日数据所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】