在本篇文章中，爬虫的讲解不仅仅局限于爬虫本身，还会引申至另一个重要领域：数据分析。对我们而言，爬虫的核心价值实际上在于获取数据，一旦获得了数据，接下来必然是要加以利用。数据分析便是其中关键一环，因此在爬虫的讲解之后，我们将会稍作涉及与数据分析相关的知识要点。
今天主要任务是爬取全国消费数据，然后根据过去十年的数据进行深入分析，以便进行未来两年的消费预测。废话不多说，让我们直接开始吧。
全国消费数据
要获取全国的消费数据，最好前往国家数据统计局进行查询。因此，在使用爬虫时，应当谨慎操作，避免对服务器造成负荷过大的影响。在成功获取数据后，应当及时保存，而不是过度频繁地请求数据，以免导致服务器瘫痪。在开始分析页面之前，先确认所需的全国消费数据是否已被提供，然后按照常规操作，在页面下方进行搜索，以确定数据展示形式是静态页面还是通过ajax请求获取的。
为什么在这里我搜索的是数字而非文字？这是因为该请求返回到浏览器时处于乱码状态，因此为了演示，我选择了数字作为示例，效果是一样的。一旦找到请求，处理起来就很简单了，我们只需复制URL，前往在线网站进行处理，然后将代码复制出来即可。如果在线网站有不清楚的地方，可以参考前几章的文章。
数据抓取
直接看下爬虫代码：
import requests
import re
strdata_code_map = {}
wdcode_name_map = {}
def get_data():
global strdata_code_map,wdcode_name_map
headers = {
'Accept': 'application/json,text/javascript,*/*; q=0.01','Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6','Connection': 'keep-alive','Cookie': 'wzws_sessionid=oGX46GqAMTIzLjE3Mi40OS4yMDKBZDk0YTI3gmZjNWVlMQ==; u=6; experience=show; JSESSIONID=bANUmkmAc_F_FOy-dM-8VqxHEea-dpa39By6stbh14v9_aYXN7HM!1314454129','Referer': 'https://data.stats.gov.cn/easyquery.htm?cn=C01','Sec-Fetch-Dest': 'empty','Sec-Fetch-Mode': 'cors','Sec-Fetch-Site': 'same-origin','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0','X-Requested-With': 'XMLHttpRequest','sec-ch-ua': '"Chromium";v="122","Not(A:Brand";v="24","Microsoft Edge";v="122"','sec-ch-ua-mobile': '?0','sec-ch-ua-platform': '"Windows"',}
params = {
'm': 'QueryData','dbcode': 'hgnd','rowcode': 'zb','colcode': 'sj','wds': '[]','dfwds': '[{"wdcode":"zb","valuecode":"A0A04"}]','k1': '1710816989823','h': '1',}
response = requests.get('https://data.stats.gov.cn/easyquery.htm',params=params,headers=headers,verify=False)
# 解析JSON数据
response_data = response.json()
# 提取datanodes中的strdata和code映射数据列表
datanodes = response_data['returndata']['datanodes']
for node in datanodes:
input_str = node['code']
match = re.search(r'\.(\w+)_sj\.(\d+)',input_str)
if match:
part1 = match.group(1) # A0A0401
part2 = match.group(2) # 2023
if 'year' not in strdata_code_map:
strdata_code_map['year'] = []
if part2 not in strdata_code_map['year']:
strdata_code_map['year'].append(part2)
if part1 not in strdata_code_map:
strdata_code_map[part1] = []
strdata_code_map[part1].append(node['data']['strdata'])
print(strdata_code_map)
# 提取wdnodes中code和name映射列表
wdnodes = response_data['returndata']['wdnodes']
wdcode_name_map = {node['code']: node['name'] for node in wdnodes[0]['nodes']}
print(wdcode_name_map)
这段代码解析了返回的JSON数据，提取了datanodes中的数据节点和wdnodes中的维度节点信息。对于数据节点，通过正则表达式提取了每个节点的code属性，解析出数据节点对应的strdata和code映射关系，并将这些信息存储到strdata_code_map字典中。对于维度节点，将每个节点的code和name属性映射关系存储到wdcode_name_map字典中。
数据分析
拿到数据后，我们立即对其进行数据分析。一般来说，在数据分析项目中，我们会首先利用Pandas库加载数据，进行数据清洗和处理，然后使用Matplotlib库进行数据可视化，以便更深入地理解数据并有效展示结果。
不多说，直接看下代码：
import pandas as pd
import matplotlib.pyplot as plt
def get_now_plt():
data = {
'year': ['2023','2022','2021','2020','2019','2018','2017','2016','2015','2014'],'A0A0401': ['26796','24538','24100','21210','21559','19853','18322','17111','15712','14491'],'A0A0402': ['9.0','-0.2','12.6','-4.0','5.5','6.2','5.4','6.8','6.9','7.5'],'A0A0403': ['12114','10590','10645','9037','9886','8781','7803','7157','6460','5842'],'A0A0404': ['14.4','-0.5','17.8','-8.6','12.5','9.0','10.8','10.6','11.4'],'A0A0405': ['7983','7481','7178','6397','6084','5631','5374','5151','4814','4494'],'A0A0406': ['6.7','4.2','12.2','5.1','8.0','4.8','4.3','7.0','7.1','8.9'],'A0A0407': ['1479','1365','1419','1238','1338','1289','1203','1164','1099'],'A0A0408': ['8.4','-3.8','14.6','-7.5','3.8','4.1','2.9','3.3','5.9','7.0'],'A0A0409': ['6095','5882','5641','5215','5055','4647','4107','3746','3419','3201'],'A0A040A': ['3.6','8.2','3.2','8.8','13.1','9.6','6.7'],'A0A040B': ['1526','1432','1423','1260','1281','1223','1121','1044','951','890'],'A0A040C': ['6.6','0.6','13.0','-1.7','9.1','7.4','9.7','10.3'],'A0A040D': ['3652','3195','3156','2762','2862','2675','2499','2338','2087','1869'],'A0A040E': ['14.3','1.2','14.3','-3.5','12.0','11.6','14.9'],'A0A040F': ['2904','2469','2599','2032','2513','2226','2086','1915','1723','1536'],'A0A040G': ['17.6','-5.0','27.9','-19.1','12.9','6.7','8.9','11.2','9.9'],'A0A040H': ['2460','2120','2115','1843','1902','1685','1451','1307','1165','1045'],'A0A040I': ['16.0','0.2','14.8','-3.1','16.1','11.0','12.3','11.5','14.5'],'A0A040J': ['697','595','569','462','524','477','447','406','389','358'],'A0A040K': ['17.1','4.6','23.2','-11.8','10.0','4.4','8.7','10.3']
}
label = {
'A0A0401': '居民人均消费支出','A0A0402': '居民人均消费支出_比上年增长','A0A0403': '居民人均服务性消费支出','A0A0404': '居民人均服务性消费支出_比上年增长','A0A0405': '居民人均食品烟酒支出','A0A0406': '居民人均食品烟酒支出_比上年增长','A0A0407': '居民人均衣着支出','A0A0408': '居民人均衣着支出_比上年增长','A0A0409': '居民人均居住支出','A0A040A': '居民人均居住支出_比上年增长','A0A040B': '居民人均生活用品及服务支出','A0A040C': '居民人均生活用品及服务支出_比上年增长','A0A040D': '居民人均交通通信支出','A0A040E': '居民人均交通通信支出_比上年增长','A0A040F': '居民人均教育文化娱乐支出','A0A040G': '居民人均教育文化娱乐支出_比上年增长','A0A040H': '居民人均医疗保健支出','A0A040I': '居民人均医疗保健支出_比上年增长','A0A040J': '居民人均其他用品及服务支出','A0A040K': '居民人均其他用品及服务支出_比上年增长'
}
keys = list(data.keys()) # 获取所有键并转换为列表
need_keys = []
for i in range(1,len(keys),2):
need_keys.append(keys[i])
# 数据
years = data['year']
# 绘制折线图
for key in range(0,len(need_keys),2):
plt.plot(years,[int(x) for x in data[need_keys[key]]],label=label[need_keys[key]],marker='o')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.xlabel('年份')
plt.ylabel('消费支出(元)')
plt.title('全国居民人均支出情况')
plt.legend()
plt.grid(True)
plt.show()
get_now_plt()
为了保持代码的流畅性，我先复制了数据并定义了两个字典项，分别是label和data。字典label用于存储每种数据类型的中文标签，而字典data包含了各年份的不同消费支出数据，比如居民人均消费支出、居民人均服务性消费支出等。接着，我使用matplotlib.pyplot库来绘制折线图。在绘制过程中，我遍历了need_keys列表，为每种数据类型绘制相应的折线图，并添加了标签和数据点。
当处理数据时，请确保注意到，如果需要显示中文字符，您可能需要使用以下语句来设置字体以避免乱码：plt.rcParams['font.sans-serif'] = ['SimHei']。此外，请注意我存储的数据是按倒序排列的。
未来预测
当我们拥有近10年的数据时，实际上可以利用这些数据进行预测。在这方面有许多方法可供选择，今天我们将探讨ARIMA模型。ARIMA代表自回归（Autoregressive,AR）、差分（Integrated,I）和移动平均（Moving Average,MA）这三种技术的结合，是一种用于时间序列预测的统计模型。通过ARIMA模型，我们可以捕捉时间序列数据中的趋势、季节性变化和周期性变化。
在本章中，我们仅仅是提供了一些基础信息，希望能够引发你的兴趣，具体的内容将在后续的章节中详细展开。因此，接下来可以直接查看代码部分：
import requests
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
import re
def get_feature_plt():
# 数据
data = {
'year': [2014,2015,2016,2017,2018,2019,2020,2021,2022,2023],'A0A0403': [5842,6460,7157,7803,8781,9886,9037,10645,10590,12114],'A0A0405': [4494,4814,5151,5374,5631,6084,6397,7178,7481,7983],'A0A0407': [1099,1164,1203,1238,1289,1338,1419,1365,1479],'A0A0409': [3201,3419,3746,4107,4647,5055,5215,5641,5882,6095],'A0A040B': [890,951,1044,1121,1223,1281,1260,1423,1432,1526],'A0A040D': [1869,2087,2338,2499,2675,2862,2762,3156,3195,3652],'A0A040F': [1536,1723,1915,2086,2226,2513,2032,2599,2469,2904],'A0A040H': [1045,1165,1307,1451,1685,1902,1843,2115,2120,2460],'A0A040J': [358,389,406,447,477,524,462,569,595,697],}
label = {
'A0A0401': '居民人均消费支出','A0A040K': '居民人均其他用品及服务支出_比上年增长'
}
df = pd.DataFrame(data)
df.set_index('year',inplace=True)
need_keys = list(data.keys()) # 获取所有键并转换为列表
for i in range(1,3):
# 拟合ARIMA模型
model = ARIMA(df[need_keys[i]],order=(1,1,1)) # 根据数据特点选择合适的order
model_fit = model.fit()
# 进行未来预测
future_years = [2024,2025] # 假设预测未来两年
forecast = model_fit.forecast(steps=len(future_years))
# 可视化预测结果
plt.plot(df.index,df[need_keys[i]],label=label[need_keys[i]])
plt.plot(future_years,forecast,label='预测'+label[need_keys[i]],linestyle='--',marker='o')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.xlabel('年份')
plt.ylabel('消费支出(元)')
plt.title('未来两年预测消费支出')
plt.legend()
plt.grid(True)
plt.show()
在进行优化处理时，首先将暂存的数据转换为Pandas的DataFrame格式，并将年份设为索引。接着，从数据中提取所需的键名，对每三个键进行ARIMA模型的拟合和预测，随后通过可视化展示了消费支出随时间变化的趋势图，并呈现了未来两年的预测数据。
总结
完美收官，本文是爬虫实战的最后一章了，所以尽管本文着重呈现爬虫实战，但其中有一大部分内容专注于数据分析。爬虫只是整个过程的起点，其主要目的之一就是为后续数据分析等工作做好准备。通过对爬取的数据进行精确的清洗和分析，可以揭示其中隐藏的规律和趋势，为决策提供有力支持。因此，爬虫实战并不仅仅是技术的展示，更是对数据价值的挖掘和充分利用。
还有一点需要特别强调的是，绝对不能利用这种方式从中谋取个人利益，比如搭建爬虫网站等手段，这些行为是违法的。我想再次强调，在进行爬虫操作时一定要遵守相关法律法规，尽量以学习为主，切勿触犯法律。
原文链接：https://www.cnblogs.com/guoxiaoyu/p/18084015