在上一篇博客中,我对GDELT数据进行了说明,在这篇文档中直接上代码,有需要的可以直接使用并下载数据,有问题欢迎留言。
GDELT提供了好几种数据,包括gkg、event、mentions等数据,我在代码中下载的是event数据,可以自己修改原始链接,代码应该可以通用,原理是一样的。
需要注意,数据量较大,截止到2017.7.18全部下载下来需要150多GB,所以下载的时候最好下载到硬盘中,免得电脑内存不足。
#-*-coding:utf-8-*-
import requests
from bs4 import BeautifulSoup
import datetime, time
import zipfile
import sys
import multiprocessing
import random
import os
path = sys.path[0] +'/'
def get_url_list(url):
'''获取页面下的所有url,保存到url_list.txt中,并返回url_list'''
html = requests.get(url).text
soup = BeautifulSoup(html, 'lxml')
url_list = []
for li in soup.body.ul.find_all('li'):
href = 'http://data.gdeltproject.org/events/' + li.a['href']
url_list.append(href)
print len(url_list)
new_url_list = url_list[3:-1] #前三个url和最后一个不是我们需要的数据,故跳过
f = open(path + 'url_list.txt', 'w')
for url in new_url_list:
f.write(url)
f.write('\n')
return new_url_list
def get_url_data(url):
filename = path + url.split('/')[-1]
try:
data = requests.get(url)
t = random.random()
#因为文件较多,所以选择随机输出url,便于掌握运行情况
if t > 0.5:
print url
with open(filename, "wb") as code:
code.write(data.content)
fz = zipfile.ZipFile(filename, 'r')
fz.extract(fz.namelist()[0], path) #解压下载下来的zip文件夹
if os.path.exists(filename):
os.remove(filename) #删除zip文件夹,只保存解压后的数据
except Exception, e:
print Exception, e
log = open(path + 'log.txt', 'a')
log.write(url)
log.write('\n')
time.sleep(3)
if __name__ == '__main__':
stime = datetime.datetime.now()
print stime
url = 'http://data.gdeltproject.org/events/index.html'
url_list = get_url_list(url)
pool = multiprocessing.Pool() #开启进程池,使用多进程提高下载速度
pool.map(get_url_data, url_list)
etime = datetime.datetime.now()
print etime
print etime - stime