使用Python批量下载数据

又是下网页数据，之前用Python写过一个，下载的是国家统计局网站上的信息，地址为：http://blog.csdn.net/liminlu0314/article/details/7300240。

这次依旧是，不过下载的是Australian Bureau of Statistics的数据，都是xls的表格，网址为：http://www.abs.gov.au。网页打开左边有棵树目录，里面记录的澳大利亚的行政区名，然后后面有个get data 的链接，不过这棵树是动态加载的，客户端没法获取到全部的内容，像我这种从来没有做过网络编程的，脸html都看不懂的人，更不懂ajax了。笨人有笨方法，于是就把树全部点开，然后把网页的源代码保存下来，整理了一个txt文件，内容和下面的类似：

<span id="uidynatreeCb3trSLA1">New South Wales<a href="/ausstats/abs@nrp.nsf/lookup/1Main+Features12006-2010" onclick="openWindow('/ausstats/abs@nrp.nsf/lookup/1Main+Features12006-2010','1');"> - Get Data</a></span><br>

一共有1665行，格式都和上面的类似。可以看到get data的链接是/ausstats/abs@nrp.nsf/lookup/1Main+Features12006-2010，然后就是从上面的字符串中提取get data的链接，获取连接后，使用urllib获取url地址的html内容。

然后再从获取的html中查找xls的下载地址，知道xls的下载地址，使用urlretrieve函数保存到本地即可。整个代码72行，如下：

# -*- coding:gb2312 -*-
# 有问题请联系我 liminlu0314@gmail.com
import sys
import urllib
import re

#从读取的html中解析下载地址
def ParserXlsUrl(content):
iPost = content.find('%2Exls&')
if iPost == -1:
return ''

strTemp = content[iPost-100:iPost+300]

iPos = strTemp.find('<a href="')
strTemp = strTemp[iPos+9:]

iPos = strTemp.find('&Latest"><')
strTemp = strTemp[:iPos+7]
#/AUSSTATS/freenrp.nsf/log?openagent&Region%5F1%2Exls&1&2006%2D2010%20National%20Regional%20Profile&CCAA9316217A9E75CA25793B001332FA&0&2006%2D2010&04%2E11%2E2011&Latest
return 'http://www.abs.gov.au' + strTemp

#从读进来的字符串解析url
def Save2Xls(lines):
iPos = lines.find('>')
strTmp = lines[iPos+1:]

iPos = strTmp.find('<')
strName = strTmp[:iPos]  #取出Name

iPos = strTmp.find('"')
strTmp = strTmp[iPos+1:]

iPos = strTmp.find('"')
strTmp = strTmp[:iPos]

#/ausstats/abs@nrp.nsf/lookup/1Main+Features12006-2010
iPos = strTmp.find('lookup/')
strTmp = strTmp[iPos+7:]

iPos = strTmp.find('Main+')
strIdCode = strTmp[:iPos]

strStart = 'http://www.abs.gov.au/AUSSTATS/abs@nrp.nsf/DetailsPage/'
strMid = '2006-2010?OpenDocument&tabname=Details&prodno='
strEnd = '&issue=2006-2010&num=&view=&'
strUrl = strStart + strIdCode + strMid + strIdCode + strEnd

html = urllib.urlopen(strUrl)#打开连接
content = html.read()	#获取页面内容

strUrlXls = ParserXlsUrl(content)
if strUrlXls == '':
return 0

strXlsDir = './Xls/'
strXls = strXlsDir + strName + '_' + strIdCode + '.xls'
urllib.urlretrieve(strUrlXls, strXls)  #开始下载
return 1

if __name__ =="__main__":
f = open('GetUrl.htm', 'r')
alllines = f.readlines()
f.close()

index = 0
for eachline in alllines:
Save2Xls(eachline)
index = index + 1
print "current is %d of 1665, precent %d%%" %(index, (int)(index / 1665.0 * 100))

之后程序写完后，发现不知道下载到什么地方了，又加了个进度信息。喜欢python，同样的代码用C++我不敢想象，还是Python吧。