python爬虫--根据身份证号码获取户籍地、出生年月等信息_爬虫身份证输入

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：https://qq.ip138.com/idsearch/index.asp（百度搜索身份证归属地查询第一个就是）。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，做个简单处理即可）

import pandas as pd
df = pd.read_table('E:/SFZ.txt', sep='\t', header=None, dtype=str, na_filter=False)
# 读csv文件
# df = pd.read_csv('E:/SFZ.csv', header=None, dtype=str, na_filter=False)
1
2
3
4

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：https://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：“https://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）

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xpath举例

# 演示单个身份证的查询
import urllib.request
from lxml import etree

url = 'https://qq.ip138.com/idsearch/index.asp?userid=220202202002020022&action=idcard'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36'
}

# 获取内容
request = urllib.request.Request(url=url,headers=headers)
res = urllib.request.urlopen(request)
content = res.read().decode('utf-8')

# 解析网页源码 获取我们需要的数据
tree = etree.HTML(content)
sex = tree.xpath('//div[@class="bd"]//tbody/tr[2]/td[2]/p/text()')[0]
birthday = tree.xpath('//div[@class="bd"]//tbody/tr[3]/td[2]/p/text()')[0]
address = tree.xpath('//div[@class="bd"]//tbody/tr[5]/td[2]/p/text()')[0]

print(sex)
print(birthday)
print(address)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

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({'身份证号': idcard, '性别': sex1, '出生日期': birthday1, '所属地区': address1})
# 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)
1
2
3
4

完整代码

# 把需要用到的库一股脑import进来
import importlib, sys
importlib.reload(sys)

import time
import pandas as pd
import urllib.request
from lxml import etree

start = time.time()

# 先将存有身份证号码信息的txt文件读取进来
df = pd.read_table('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 = []


# 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(df.shape[0]):
    # 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])
        # 查看身份证查询网页的网址，发现规律，按照规律组成url
        url = "https://qq.ip138.com/idsearch/index.asp?userid=" + df.iloc[i, 0] + "&action=idcard"

        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36'
        }

        # 获取内容
        request = urllib.request.Request(url=url, headers=headers)
        res = urllib.request.urlopen(request)
        content = res.read().decode('utf-8')

        # 解析网页源码 获取我们需要的数据
        tree = etree.HTML(content)
        sex = tree.xpath('//div[@class="bd"]//tbody/tr[2]/td[2]/p/text()')[0]
        birthday = tree.xpath('//div[@class="bd"]//tbody/tr[3]/td[2]/p/text()')[0]
        address = tree.xpath('//div[@class="bd"]//tbody/tr[5]/td[2]/p/text()')[0]

        # 添加到列表
        idcard.append(df.iloc[i, 0])
        sex1.append(sex)
        birthday1.append(birthday)
        address1.append(address)

    except Exception as e:
        print(Exception, ":", e)

# 打包数据
data = pd.DataFrame({'身份证号': idcard, '性别': sex1, '出生日期': birthday1, '所属地区': address1})
print(data)

# # 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)

end = time.time()
print(u'OK，爬虫结束！')
print(u'总共耗时：' + str(end - start) + '秒')



'''
原网址 ：https://qq.ip138.com/idsearch/index.asp
点击查询，网址变化：
https://qq.ip138.com/idsearch/index.asp?userid=110101191909091111&action=idcard
https://qq.ip138.com/idsearch/index.asp?userid=220202202002020022&action=idcard
'''

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73

执行结果如下：