使用Python,HtmlParser来统计深圳市保障房申请人的原籍省份分布,年龄分布等。从侧面可以反映鹏城人的地域分布。以下python代码增大了每一次获取的记录数,从而少提交几次请求。如果按照WEB主页设定的每一次请求最多50个记录,那就得提交数千次请求,显然费时。另外,也可以使用多线程处理,快速获得数据,解析数据,然后使用pandas,matplotlib等工具进行数据处理和绘制。查询了系统,截止2016年2月,轮候系统的保障房人数大概4万多,公租房轮候人数大概5万,以下数据仅作学习使用,统计结果如下:

毫无疑问,广东本地人申请的占多数。前十名当中,和广东接壤的省份也占了不少比例,特别是两湖,江西,剩下的由人口大省占据。深圳保障房建设速度和规模居全国首位,但是因为人数众多,所以需要排队等候。远离XX的房东,避免年年涨的房租,那就加入排队轮候大军吧。

 # -*- coding:utf-8 -*-
import time
import json
import lxml.html
from lxml import etree
from HTMLParser import HTMLParser #使用beautifulsoup也可以 #http://www.crummy.com/software/BeautifulSoup/
#http://blog.csdn.net/my2010sam/article/details/14526223 try:
from urllib.request import urlopen,Request
except:
from urllib2 import urlopen, Request area={"":"北京","":"天津","":"河北","":"山西","":"内蒙古","":"辽宁","":"吉林","":"黑龙江","":"上海",
"":"江苏","":"浙江","":"安徽","":"福建","":"江西","":"山东","":"河南","":"湖北","":"湖南",
"":"广东","":"广西","":"海南","":"重庆","":"四川","":"贵州","":"云南","":"西藏","":"陕西",
"":"甘肃","":"青海","":"宁夏","":"新疆","":"台湾","":"香港","":"澳门","":"国外"}
ages =[0]*11
provinceCnt=[0]*91
RECORD_BY_EACH_PAGE = [10,15,30,50,5000]
currentYear=time.localtime()[0]#get year
URL_BY_PAGESIZE='http://bzflh.szjs.gov.cn/TylhW/lhmcAction.do?pageSize=%s&method=queryYgbLhmcInfo&waittype=2' #http://XXX.cn?pageSize=XXX&page=XXX,waittype=2 公租房,waittype=1 安居房
URL_BY_PAGE_PAGESIZE ='http://bzflh.szjs.gov.cn/TylhW/lhmcAction.do?pageSize=%s&method=queryYgbLhmcInfo&waittype=%s&page=%s' #Social_Housing_Items=[URL_BY_PAGE_PAGESIZE_GongZuFang,URL_BY_PAGE_PAGESIZE_AnJuFang] def getHomePage(url,pagesize):
try:
request = Request(url)
lines=urlopen(request,timeout=10).read()
if len(lines)<20:
return None #no data
except Exception as e:
print e
else:
if pagesize!=10 and pagesize!=15 and pagesize!=30 and pagesize!=50 and pagesize !=5000:
pagesize = 15 #default as 15 record each page
lines=lines.decode('utf-8')
splitLines=lines.split('\r\n')
for line in splitLines:
#if "pageSize" in line:
#print line[:50]
if "pagebanner" in line:
totalPage= line[:50].split('>')[1].split(' ')[0]
totalPage=totalPage.split(',')
if len(totalPage)>1:
pages=(int(totalPage[0])*1000+int(totalPage[1]))/pagesize
return pages def getRawData(url):
try:
request = Request(url)
lines=urlopen(request,timeout=10).read()
if len(lines)<20:
return None #no data
except Exception as e:
print e
else:
return lines.decode('utf-8') def getIdentityInfo(code):
"""
:param code: identity code showing province and date
:return: province,date
"""
provinceCode=code[:2]
cityCode = code[2:6]
date=code[6:10]
return provinceCode,date class Dataparser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.tr=False
self.td =0
self.data =False
def handle_starttag(self,tag,attrs):
"""
参数tag是标签名,比如td,tr',attrs为标签所有属性(name,value)列表,这里是[('class','para')]
:param tag:
:param attrs:
:return:
"""
if tag=='tr':
self.tr=True
if tag =='td'and self.tr==True:
self.data = True
for name,value in attrs:
print "name and value are",name,value
def handle_endtag(self,tag):
if tag=='td':
self.data = False
#print "a end tag:",tag,self.getpos() def handle_data(self,data):
if self.data and len(data)==18 and '\r\n' not in data:
#print data #ID card NO
provinceCode,date=getIdentityInfo(data)
ageRange=currentYear - int(date)
if ageRange>=100:
print 'test',ageRange
#ages[ageRange/10] +=1
#temp=area[provinceCode].decode('utf-8')
PC=int(provinceCode)
provinceCnt[PC]+=1 if __name__ =='__main__':
#计算总共页数,每页可以自己限定
for type in range(2):
pages=getHomePage(URL_BY_PAGE_PAGESIZE%(RECORD_BY_EACH_PAGE[0],type+1,1),RECORD_BY_EACH_PAGE[4])
parse=Dataparser()
while pages>=1:
#for page in range(pages):
lines=getRawData(URL_BY_PAGE_PAGESIZE%(RECORD_BY_EACH_PAGE[4],type+1,pages))
parse.feed(lines)
#parse.close()
pages-=1
parse.close()
if type==0:
print "深圳安居房申请人全国分布情况统计:"
for i in provinceCnt:
if i>0: #只打印有数据的省份
pIndex=str(provinceCnt.index(i))
print area[pIndex],i
provinceCnt =[0]*91
elif type==1:
print "深圳公租房申请人全国分布情况统计:"
for i in provinceCnt:
if i>0: #只打印有数据的省份
pIndex=str(provinceCnt.index(i))
print area[pIndex],i
provinceCnt =[0]*91

使用Python统计深圳市公租房申请人省份年龄统计的更多相关文章

  1. spark 省份次数统计实例

    //统计access.log文件里面IP地址对应的省份,并把结果存入到mysql package access1 import java.sql.DriverManager import org.ap ...

  2. jieba (中文词频统计) 、collections (字频统计)、WordCloud (词云)

    py库: jieba (中文词频统计) .collections (字频统计).WordCloud (词云) 先来个最简单的: # 查找列表中出现次数最多的值 ls = [1, 2, 3, 4, 5, ...

  3. 【PHP】php+txt实现网页计数器(限IP统计方式和不限IP统计方式)

    一般的网页计数器制作实现思路:首先设定存放统计数据的文件(counter.txt)——读取文件中的内容存入字符串——自加操作——以写入方式打开文件写入数据——从文件中输出统计数据——关闭文件. 代码: ...

  4. Luogu 2590 [ZJOI2008]树的统计 / HYSBZ 1036 [ZJOI2008]树的统计Count (树链剖分,LCA,线段树)

    Luogu 2590 [ZJOI2008]树的统计 / HYSBZ 1036 [ZJOI2008]树的统计Count (树链剖分,LCA,线段树) Description 一棵树上有n个节点,编号分别 ...

  5. sql按月统计数量和按月累加统计数量

    1.简单的,按月统计数量 SELECT CREATE_DATE, DATE_FORMAT(CREATE_DATE, '%Y-%m') AS month , COUNT(*) AS sum FROM p ...

  6. 【python调用windows CLI】调用adb统计Android app的流量消耗

    主要记录python如何调用windows CLI 手机连接PC,adb devices可以看到手机sn 通过adb 获取指定app的processID UID 读取Android  /proc/ne ...

  7. python之pygal:掷一个骰子统计次数并以直方图形式显示

    源码如下: # pygal包:生成可缩放的矢量图形文件,可自适应不同尺寸的屏幕显示 # 安装:python -m pip intall pygal-2.4.0-py2.py3-none-any.whl ...

  8. 用Python实现小说中的汉字频率统计

     环境: Python 3的代码,亲测可用. 思路: 是先把每个字符提出来放在列表里:再过滤掉其中的标点符号:最后用字典对某个字出现的频率进行累加. 扩展: 用处很多,稍微改改,既可以用来统计小说或文 ...

  9. 统计学习:《贝叶斯思维统计建模的Python学习法》中文PDF+英文PDF+代码

    用数学工具解决实际问题仅有的要求可能就是懂一点概率知识和程序设计.而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法,对于一个计算机专业的人士,应当熟悉其应用在诸如机器翻译,语音识别, ...

随机推荐

  1. 【NOIP考前模拟赛】纯数学方法推导——旅行者问题

    一.写在前面 这题似乎是一道原创题目(不是博主原创),所以并不能在任何OJ上评测,博主在网盘上上传了数据(网盘地址:http://pan.baidu.com/s/1mibdMXi),诸位看官需者自取. ...

  2. asp.net 数据绑定 -- 时间格式

    <asp:TemplateField HeaderText="日期" SortExpression="Date">                & ...

  3. php查找字符串首次出现的位置 判断字符串是否在另一个字符串中

    strpos - 查找字符串首次出现的位置 说明 int strpos ( string $haystack , mixed $needle [, int $offset = 0 ] ) 返回 nee ...

  4. YUM源设置

    1挂载光盘 先创建一个文件 /aaa 然后挂载mount /dev/cdrom /aaa 进入 /aaa   ls 查看是否挂载OK 2进入yum文件夹.将除Media以外的所有文件名改为XXXXXX ...

  5. .net面试(汇总2)

    c#继承:  base 表示当前对象基类的实例(使用base关键字可以调用基类的成员)this表示当前类的实例 在静态方法中不可以使用base和this关键字 派生类会继承基类所有的成员但是构造函数和 ...

  6. hud 5876 2016 ACM/ICPC Asia Regional Dalian Online

    题意:给一个图 给定一个点s 求补图中s点到达各个点的最短路 思路:从s点开始bfs 在图中与s点有连接的都是在补图中不能直接到达的点 反之在补图中都是可以直接到达的点 由此bfs ((( 诡异的写法 ...

  7. android studio增量更新

    一.概述 1.1 概念 增量更新即是通过比较 本机安装版本 和 想要安装版本 间的差异,产生一个差异安装包,不需要从官网下载并安装全量安装包,更不需要将本机已安装的版本下载,而仅仅只是安装此差异安装包 ...

  8. AADC安装指南

    可选功能中,”密码哈希同步“可以将本地域账号的密码默认每三小时同步到O365:”密码回写“则是反过来,但是世纪互联的答复是”此功能需要Auzre AD Service功能,目前国内版还不支持使用,国际 ...

  9. spring mvc异常统一处理(ControllerAdvice注解)

    首先我的项目是一个为移动端提供的json数据的,当后台报错时如果为移动端返回一个错误页面显得非常不友好,于是通过ControllerAdvice注解返回json数据. 首先创建一个异常处理类: pac ...

  10. pdf.js pdfdom.js使用(转)

    开篇语: 最近工作需要做一个借款合同,公司以前的合同都是通过app端下载,然后通过本地打开pdf文件,而喜欢创新的我,心想着为什么不能在线H5预览,正是这个想法,说干就干,实践过程总是艰难的,折腾了3 ...