python爬虫--根据身份证号码获取户籍地、出生年月等信息

一、背景

工作中偶尔会遇到这样的情况，给你一堆客户身份证号码，然后要你把对应的性别、生日、户籍地等信息弄出来。

最常用的方法就是用excel表套公式，这个方式如果用来取性别、生日这些信息的话问题不大，毕竟这些规则还好梳理，但是如果想要弄户籍地（如：广东省广州市荔湾区），操作难度极大。首先，你要弄到相应的行政区划代码，如广东省广州市天河区是440106，要注意，这些区划代码因为行政区划的调整，是有很多变化的，而且还是时时调整的，反正让我去收集这么一个表出来，我是做不到了。

由于以上原因，我只能另想其他办法了。

后来发现有这么一个网站：http://qq.ip138.com/idsearch/index.asp?userid=&action=idcard 。你在这个网站上输入身份证号码，它就会给你把性别、生日、户籍地给你弄出来。

看到这个网站就想，如果能让代码把身份证号码一个一个到网站上遍历一遍，然后把这些信息扒下来不就行了？？

说干就干！

二、代码部分

这里用到的是python，整体的思路：

1、把要处理的身份证读入

2、设置循环，一个一个获取身份证号码对应的信息

3、分析页面的html，把目标信息取出

4、把获取的信息打包，输出成一个excel文件

第一步，读入身份证号码很简单，用pandas的read_csv读入即可，这里以txt文件为例，格式如下：

代码如下（如果是.xlsx或.csv文件，同样处理即可）

import pandas as pddf = pd.read_csv('E:/SFZ.txt', sep='\t', header=None, dtype=str, na_filter=False)

第二步，设置循环很简单，关键是怎么才能做到每次查询对应的身份证号码信息。常规套路，先看一下网址url，上图的url是：http://qq.ip138.com/idsearch/index.asp?userid=440103198007314832&action=idcard，细细一看发现要查询的身份证号码也在url中（其实很多网页都会把输入的查询内容整到url上），大胆猜想一下，是不是url就是由三部分组成："http://qq.ip138.com/idsearch/index.asp?userid="+身份证号码+"&action=idcard" 。多拿几个号码输入测试一下，没问题。（有时如果没有规律可循，一定要一个一个输入值，可以用selenium，每次自动将身份证号码键入即可）

接下就很简单了，写个for循环，每次根据身份证号码组成一个新的url，完成。

第三步，解析网页目标信息，用select、find、xpath都行，这里用select举例，详细用法可点连接查看，不赘述

#解析网页
res = requests.get(url)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text,'lxml')#将网页中咱们需要的信息所有在的模块切出来
mainpart = soup.select('div[class="bd"] tbody tr')#将信息取出并存入list中
if len(mainpart)>4:sex = mainpart[1].text.split('性别')[1]birthday = mainpart[2].text.split('出生日期')[1]address = mainpart[4].text.split('发证地')[1]
else:continue

第四步，打包数据用pandas的to_excel即可，代码如下：

#打包数据
data=pd.DataFrame({'idcard':idcard,'sex':sex1,'birthday':birthday1,'address':address1})
print (data)#打印出来瞄一眼#将数据输出成一个excel文件
pd.DataFrame.to_excel(data,"E:\\person_card.xlsx",header=True,encoding='gbk',index=False)

完整代码在这里！完整代码在这里！完整代码在这里！

#把需要用到的库一股脑import进来
import importlib,sys
importlib.reload(sys)
import time
import requests
from lxml import etree
from bs4 import BeautifulSoup
time1=time.time() #定义个时间，为了后面可以记录一下代码执行的时长
import pandas as pd#先将存有身份证号码信息的txt文件读取进来
df = pd.read_csv('E:/SFZ.txt', sep='\t', header=None, dtype=str, na_filter=False)#定义接下来存储身份证号码、性别、生日、户籍地信息的4个list
idcard =[]
sex1 = []
birthday1 = []
address1 = []#看一下读取进来的一共有多少个身份证号码
length=len(df)
print(length)#通过循环，依次将每个身份证号码对应的信息获取
for i in range(0,length):#多一个try，防止某个号码出差自己中止代码执行try:#print (df.iloc[i,0])#url="http://qq.ip138.com/idsearch/index.asp?action=idcard&userid="+df.iloc[i,0]+"&B1=%B2%E9+%D1%AF"#上面的url规则是2018年年底写的，结果到了2019年网址格式就又改了，苦逼地改一下#查看身份证查询网页的网址，发现规律，按照规律组成urlurl="http://qq.ip138.com/idsearch/index.asp?userid="+df.iloc[i,0]+"&action=idcard"    #解析网页res = requests.get(url)res.encoding = 'utf-8'soup = BeautifulSoup(res.text,'lxml')#将网页中咱们需要的信息所有在的模块切出来mainpart = soup.select('div[class="bd"] tbody tr')#将信息取出并存入list中if len(mainpart)>4:sex = mainpart[1].text.split('性别')[1]birthday = mainpart[2].text.split('出生日期')[1]address = mainpart[4].text.split('发证地')[1]idcard.append(df.iloc[i,0])sex1.append(sex)birthday1.append(birthday)address1.append(address)else:continueexcept Exception as e:print (Exception, ":", e)#打包数据
data=pd.DataFrame({'idcard':idcard,'sex':sex1,'birthday':birthday1,'address':address1})
print (data)#打印出来瞄一眼#将数据输出成一个excel文件
pd.DataFrame.to_excel(data,"E:\\person_card.xlsx",header=True,encoding='gbk',index=False)time2=time.time()
print (u'ok,爬虫结束!')
print (u'总共耗时：'+str(time2-time1)+'s')

执行结果如下：