Python：爬取疫情每日資料

cyber_1987發表於2020-02-17
Python

前言

有部分同學留言說為什麼412，這是因為我程式碼裡全國的cookies需要你自己開啟瀏覽器更新好後替換，而且這個cookies大概只能持續20秒左右！
另外全國衛健委的資料格式一直在變，也有可能會導致爬取失敗！
我現在已根據2月14日最新通報稿的格式修正了！

目前每天各大平臺，如騰訊、今日頭條都會更新疫情每日資料，他們的資料來源都是一樣的，主要都是通過各地的衛健委官網通報。

為什麼已經有大量平臺做了每日跟蹤了，我還要爬資料呢？

這是因為各大平臺為了統一各省市資料的格式，會有意無意地忽略一些不是特別關鍵的資料，同時即使是衛健委官網的資料裡，也隱含了一些不容易發現的資料。

1、以上海衛健委的資料為例，缺少了“當日新增疑似數”，只有“當前累計疑似數”，這就需要我們根據“累計排除疑似數”、“累計確診數”和“當前累計疑似數”三者相加後，與前一天三者之和相減來獲得。
2、又比如在一開始，國家衛健委的資料裡是沒有湖北當日新增數的（後來加進去了），這也使得我們只有把2個衛健委的資料都獲得後簡單計算才能獲得。
3、再比如我最後有張表格，是四率：重症率、死亡率、治癒率和確診率，這些都是比較有用的資料。

以全國、湖北和上海為例，分別為以下三個網站：
國家衛健委官網：http://www.nhc.gov.cn/xcs/yqtb/list_gzbd.shtml
湖北衛健委官網：http://wjw.hubei.gov.cn/bmdt/ztzl/fkxxgzbdgrfyyq/xxfb/
上海衛健委官網：http://wsjkw.sh.gov.cn/xwfb/index.html

其中上海的衛健委官網資料比較好爬，雖然需要使用cookies，但是用chrome登入後即可自動獲取。
國家衛健委使用的反爬技術比較高，首先網站是shtml，cookies一直在變，我實測基本在20秒不到就會變化一次；另外做了selenium檢測，所以selenium爬蟲是無用的。
網上有反反爬的技術，只是暫時我還沒有時間研究，等以後再看吧。

另：今天早上在測試程式碼的時候，上海的資料經常會出現無響應的情況，原因不知。

程式碼

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):
    '''獲得上海衛健委的資料'''
    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['累計排除疑似'] = re.search('已累計排除疑似病例(\d+)例', new_text).group(1)
    sh_dict['累計確診'] = re.search('發現確診病例(\d+)例', new_text).group(1)
    style2 = '(\d+)例病情危重，(\d+)例重症，(\d+)例治癒出院，(\d+)例死亡'
    sh_dict['累計重症'] = int(re.search(style2, new_text).group(1)) + int(re.search(style2, new_text).group(2))
    sh_dict['累計治癒'] = re.search(style2, new_text).group(3)
    sh_dict['累計死亡'] = re.search(style2, new_text).group(4)
    sh_dict['累計疑似'] = 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():
    '''獲得上海衛健委的新聞'''
    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']  # 標題
        href = 'http://wsjkw.sh.gov.cn' + today_sh_news[i].find_previous_sibling(name='a').attrs['href'] #網址
        if title.startswith('上海新增'):
            # print(title)
            return get_sh_data(href)

def get_all_today_news():
    '''獲得國家衛健委的新聞'''
    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):
    '''獲得國家衛健委的資料'''
    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['累計疑似'] = re.search('現有疑似病例(\d+)例', news).group(1)
    all_dict['累計確診'] = re.search('累計報告確診病例(\d+)例', news).group(1)
    all_dict['累計重症'] = re.search('其中重症病例(\d+)例', news).group(1)
    all_dict['累計死亡'] = re.search('累計死亡病例(\d+)例', news).group(1)
    all_dict['累計治癒'] = re.search('累計治癒出院病例(\d+)例', news).group(1)

    hubei_dict['新增疑似'] = re.search('新增疑似病例(\d+)例.*?（武漢(\d+)例', news).group(1)
    hubei_dict['新增確診'] = re.search('湖北新增確診病例(\d+)例.*?（武漢(\d+)例', news).group(1)
    hubei_dict['新增死亡'] = re.search('新增死亡病例(\d+)例.*?（武漢(\d+)例', news).group(1)
    hubei_dict['新增治癒'] = re.search('新增治癒出院病例(\d+)例（武漢(\d+)例）', news).group(1)
    hubei_dict['累計重症'] = re.search('其中重症病例(\d+)例.*?（武漢(\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():
    '''把資料貼到excel裡'''
    app = xw.App(visible=True, add_book=False)
    app.display_alerts = False
    app.screen_updating = False

    wb = app.books.open('新型冠狀病毒每日資料.xlsx')
    ws = wb.sheets['all']
    max_row = ws.api.UsedRange.Rows.count
    ws.range('C' + str(max_row)).value = hubei_data['新增確診']
    ws.range('K' + str(max_row)).value = hubei_data['新增死亡']
    ws.range('O' + str(max_row)).value = hubei_data['新增治癒']
    ws.range('S' + str(max_row)).value = hubei_data['新增疑似']
    ws.range('AA' + str(max_row)).value = hubei_data['累計重症']

    ws.range('R' + str(max_row)).value = all_data['新增疑似']
    ws.range('AL' + str(max_row)).value = all_data['累計疑似']
    ws.range('V' + str(max_row)).value = all_data['累計確診']
    ws.range('Z' + str(max_row)).value = all_data['累計重症']
    ws.range('AD' + str(max_row)).value = all_data['累計死亡']
    ws.range('AH' + str(max_row)).value = all_data['累計治癒']

    ws.range('AN' + str(max_row)).value = sh_data['累計排除疑似']
    ws.range('Y' + str(max_row)).value = sh_data['累計確診']
    ws.range('AC' + str(max_row)).value = sh_data['累計重症']
    ws.range('AK' + str(max_row)).value = sh_data['累計治癒']
    ws.range('AG' + str(max_row)).value = sh_data['累計死亡']
    ws.range('AM' + str(max_row)).value = sh_data['累計疑似']

    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、全國和湖北的資料
    all_data, hubei_data, sh_data = {}, {}, {}
    try:
        all_data, hubei_data = get_all_today_news()
        print('全國資料：{}\n'
          '湖北資料：{}'.format(all_data, hubei_data))
    except:
        print('全國資料未更新')
    #二、上海的資料
    try:
        sh_data = get_sh_today_news()
        print('上海資料：{}'.format(sh_data))
    except:
        print('上海資料未更新')
    #三、匯出到excel裡
    if sh_data != {} and all_data != {}:
        get_into_excel()
        print('Excel重新整理成功！')

成果

在這裡插入圖片描述
獲得資料後就可以做很多事情了，比如放到excel裡，比如直接matplotlib作圖，又或者做arima預測。
比如我做了個簡單的excel，如下圖所示（紅色部分是爬取到的資料）：
在這裡插入圖片描述
在這裡插入圖片描述
在這裡插入圖片描述

相關文章