stats-area-spider

中国国家统计局行政区划代码爬虫

http://www.stats.gov.cn/sj/tjbz/tjyqhdmhcxhfdm/2022/index.html

一些数据

年份	省	市	区	镇	村
2022	31	342	3338	42508	618267
2021	31	342	3064	42505	616906

山东省/潍坊市/坊子区/太保庄街道 有最多的村，共 168 个 http://www.stats.gov.cn/sj/tjbz/tjyqhdmhcxhfdm/2022/37/07/04/370704008.html

使用方式

1. 安装依赖包

pip install -r requirements.txt

依赖的库 requests beautifulsoup4 lxml

2. 修改 data.json

如果是首次执行，确保 data.json 内容如下

{
    "code": 0,
    "name": "中国",
    "url": "http://www.stats.gov.cn/sj/tjbz/tjyqhdmhcxhfdm/2022/index.html",
    "status": "start",
    "children": []
}

字段说明：
code          区划代码
name          区划名称
sort          城乡分类代码，村级别有，其他层级应该没有
url           当前区域对应的页面地址
status        爬虫状态标记 start【尚未抓取】 finish【抓取完成】
children      下级区域列表
children-size 子节点数量

如果是执行中途中断，不用修改改文件，重新执行脚本会按照当前进度继续抓取。

3. 执行脚本

单线程，爬取的时间比较慢，可能需要 10 个小时，感受到了中国的广袤。