*案例：抓取 http://www.tjcn.org 中国统计信息网上前50页（每页包含20个市的数据）的1000个地区的GDP数据。

使用stata版本为 stata13，与12版本和14版本都不兼容。本文do-file及相关文件 链接：https://pan.baidu.com/s/1smVkcUh 密码：40uq

若链接失效，请私信，看到会复，谢谢。

初学stata爬虫，见网络上还未有详细的案例，此类培训费用也较高，特分享此篇案例，仅为个人经验的总结，与诸君共享。学无止境，相信还有更好的处理命令和方法，欢迎指教。

首先对于网页的数据结构有一定的要求，要求数据在网页中排布的规律性较强，方便进行抓取，如案例网站中，每个地区就是一份公报，每份公报的格式大同小异，基本开篇都有GDP数据，还比较规律。因此就用此网站作为案例尝试：

Tips：杂乱无章的网页也不是不能处理，只是处理起来难度较大而已，只要掌握了基本原理，再去处理复杂网页数据相信也不是什么难事。

各地区统计公报

点击进入次级页面后，每个地区公报基本都是相同格式，开篇就有GDP数据

/*先观察网站上公报每一页对应的网址链接变化规律，一般是最后的编号有规律变化，一个数字对应一页，将鼠标放在页数数字上（不用点击），在浏览器左下角便会显示相应页面的链接，如下：可以看到网址的后段 list_5_1对应第一页，list_5_2对应第二页，依次类推直到最后一页*/

注意【红色部分】数字的变化规律

*http://www.tjcn.org/tjgb/list_5_1.html

* http://www.tjcn.org/tjgb/list_5_2.html

*.......................................

* http://www.tjcn.org/tjgb/list_5_50.html，后面更多不在这举例。

以上我们就得到了翻页链接，看似没有什么实质性的内容。但是，在这一共50个页面中，每页中都有20份地区公报，点击即可进入查看，所以这50个翻页链接中实际上更包含了50*20共1000个统计公报的链接，而这1000个链接对我们来说就很重要了，因为我们最终需要从这1000个链接分别所对应的页面中抓取1000个地区的统计公报信息进行分析。

依上，我们的抓取将分为两轮：第一轮是抓取50个翻页链接所指向的50个网页的网页元素（其中就含有50*20个公报的链接地址，需要提取处理）。第二轮则是在获取了1000个公报的链接后，分别抓取1000个公报所在网页的元素信息（耗时较长，约30mins）。

（Tips：为了两轮处理的方便，建议新建两个文件夹分别储存两轮抓取的文本，本例在 e盘新建文件夹 1 和 2）

有了翻页规律之后，我们可以开始第一轮的抓取，本轮抓取获得的是共50个页面的网页元素，每页的元素中都包含了20份公报链接。采用 forvalues ( = forv ) 循环语句命令，写法如下：注意字母 i ，这里表示赋的一个值，这个值范围是从1-50，中间间隔是1。“copy + 网页链接 +保存位置” 可以抓取该网页元素，网页链接的最后根据我们开始发现的页面变化规律设置其随 i 值变化，copy后保存到e盘的1文件夹，分别命名为temp1.txt—temp50.txt。等待片刻便可完成抓取。

第一次循环，抓取50个页面信息

抓取结果：共50份txt文档

我们首先来看如何处理抓取的第1页的信息，从中提取出20份公报的链接，后面再同时处理50个页面，提取1000个链接。

在浏览器中打开第1页，右键点击空白处，查看网页源代码，stata抓取的信息实际上就是网页的源代码，我们就是要用源代码中寻找指向每个公报所在的次级网页的链接。寻找的办法很简单：寻找与次级网页title有关的关键词（Note：这些关键词对我们马上提取链接还很有帮助），看关键词附近有没有网页地址格式的短链接（一般以.html结尾），一般会是彩色，如图中蓝色部分。如果按照我们的分析没错，那么该网站的主链接加上这个短链接一定能直接打开次级网页，试试在浏览器地址栏直接输入www.tjcn.org/tjgb/201606/32971.html，看看能否打开《拉萨市015年国民经济和社会发展统计公报》，经尝试没有问题。

查看网页源代码

在网页源代码中寻找线索

OK，既然我们知道了短链接都隐藏在这里，下面便可以将其导入 stata 中进行提取，同样先处理第1页，后面再同时处理。

使用infix命令将存储有网页源代码的txt文本文档导入stata，让网页源代码在stata中以1个变量 v，n行的格式显示，可以把每一行看作一个case便于理解，与我们在浏览器中查看源代码时的格式相同，1-20000指的是对源代码每一行最多读取20000个字符，可以设置大一点没问题，保证每一行都能被完整读取。

format 命令调整下stata中的显示格式，让其显示200个字符宽度，方便我们查看。

如果变量 v 的case中含有引号中的内容我们就将其keep，这里用到 index 指标函数，将括号中的内容作为stata识别保留与否的指标。

split 切割命令，以后面括号中的内容为标准对文本进行切割。第一个需要注意的是切割之后，括号中作为切割线的引号内部分会被删除。例如，“拉萨市2015年”，若以 “市” 字作为分割线，则只会得到两个新变量：“拉萨”、“2015年”，第二次切割同理。此外还需要注意的是括号引用部分（`"xxx "'）双层引号表示绝对引用的意思，因为有些作为分割线的内容本身含有引号，为了避免stata出错，使用双层引号的绝对引用，当然，如果作为分割线的内容中不含引号，直接使用单层引号（"xxx"）即可。

切割完之后就得到了20个次级网页的短链，加上主链之后，得到20个公报的链接，命名为新变量purl

stata 读取文本进行处理

变量 purl 即为第一页的 20 个公报对应的网址链接

Ok，到此我们处理完了第1页的源代码，获得了20个我们想要的次级网页链接。

实际上每页的源代码都适用同样的提取处理规则，因此我们只需要将同样的命令对每个页面的源代码都 run 一遍，就能得到50*20共1000个公报的链接了。但是我们不想跑二十遍命令，我们想要一次将50个页面一起处理掉。

而50页的源代码分散在50个txt文档中，因此只要将50个txt文档合并不就好了吗，如何合并呢？这里使用一种简单方法，需要调用计算机 dos 命令：

用记事本编写 .bat 批处理文件。先右键新建一个 txt 文本文档，输入type *.txt > all.txt，表示将任意 txt 类型的文件全部合并成一个 all.txt，注意type 和 *之间有空格。写完保存。然后将该 txt 文档的格式后缀 txt 改为 bat，在弹出的对话框中选 “是”。文件图标会变成两个小齿轮一样的就对了，下图所示。

如要合并文件，只需要双击 “合并.bat” 文件即可在 dos 中执行写好的合并命令，黑色dos窗口闪现一下，就会发现文件夹中已经多了一个合并好的 all.txt，可以用记事本直接打开查看。效果是将50个txt 按顺序上下拼接，可以理解成 stata 的 append。【这个bat小文件我们后面还会用到】

注意：合并用的 bat 文件必须与待处理的50个 txt 文档位于同一目录下，否则没有执行结果。

在 txt 中输入批处理的命令

建立bat文件，双击执行，合并得到 all.txt文档

既然得到了50页的所有源代码，那么我们只需要以同样的方式将 all.txt 读进 stata ，用刚才处理第一页的命令再跑一遍就好了。命令与上面一致，唯一区别只是将读入的文件改为了 all.txt，运行一下即可得到1000个地区公报的链接。

将 all.txt 文件读入stata

run 之后得到的1000个指向地区公报的链接

至此，我们已经完成了第一轮抓取及相关工作，等待开始第二轮抓取，即根据得到的1000个公报的链接，去抓取1000个公报所在网页的源代码。

接下篇：详解 stata 爬虫抓取网页上的数据 part 2