Python 爬虫实战：2025年最新全国行政区划代码抓取

专栏导读

• 🌸 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手

• 🏳️‍🌈 个人博客主页：请点击——> 个人的博客主页 求收藏

• 🏳️‍🌈 Github主页：请点击——> Github主页 求Star⭐

• 🏳️‍🌈 知乎主页：请点击——> 知乎主页 求关注

• 🏳️‍🌈 CSDN博客主页：请点击——> CSDN的博客主页 求关注

• 👍 该系列文章专栏：请点击——>Python办公自动化专栏 求订阅

• 🕷 此外还有爬虫专栏：请点击——>Python爬虫基础专栏 求订阅

• 📕 此外还有python基础专栏：请点击——>Python基础学习专栏 求订阅

• 文章作者技术和水平有限，如果文中出现错误，希望大家能指正🙏

• ❤️ 欢迎各位佬关注！ ❤️

🐍 Python 爬虫实战：2025年最新全国行政区划代码抓取（解决反爬与动态加载）

摘要：本文详细介绍如何使用 Python 编写一个健壮的爬虫，从目标网站抓取中国最新的省、市、县三级行政区划代码。我们将重点攻克 SSL 验证错误、动态 JS 链接解析以及服务器反爬限制等技术难点，最终输出结构化的 CSV 和 JSON 数据。

📅 项目背景

在数据分析、物流配送、用户注册等场景中，一份最新、准确的**全国行政区划代码（省市区三级联动数据）**是必不可少的基础数据。虽然国家统计局每年会发布相关数据，但通过编程自动获取并整理成易用的格式（如 JSON/CSV）仍然是一个常见的技术需求。

本项目旨在解决以下核心问题：

1. 数据完整性：覆盖全国所有省份（包括港澳台及新疆兵团等特殊区域）。
2. 层级关系：精确构建 省 -> 市 -> 县/区 的树状结构。
3. 技术攻坚：解决目标网站的 SSL 握手失败、动态 JavaScript 链接展开以及访问频率限制问题。

🛠️ 技术栈与环境

• 语言：Python 3.x
• 核心库：
  • requests：处理 HTTP/HTTPS 请求。
  • re：正则表达式，用于高效解析 HTML 和 JS 代码。
  • csv&json：数据持久化。
  • time&random：模拟人类行为，规避反爬。

💡 核心功能实现

1. 健壮的网络请求层（Session & Retry）

在抓取过程中，我们遇到了SSL: WRONG_VERSION_NUMBER和服务器连接重置等问题。为了提高稳定性，我们没有直接使用requests.get，而是构建了一个带有重试机制的Session。

importrequestsfromrequests.adaptersimportHTTPAdapterfromrequests.packages.urllib3.util.retryimportRetry# 配置重试策略session=requests.Session()retries=Retry(total=5,backoff_factor=1,status_forcelist=[500,502,503,504])adapter=HTTPAdapter(max_retries=retries)# 挂载适配器，同时支持 HTTP 和 HTTPSsession.mount('http://',adapter)session.mount('https://',adapter)# 设置通用的 Headers 和 Cookies（模拟浏览器）session.headers.update({"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64)...","Referer":"https://www.suchajun.com/..."})

2. 混合解析策略（正则大法好）

目标网站的页面结构存在两种情况：

• 标准链接：普通的<a>标签，直接提取href。
• JS 动态链接：部分省份（如辽宁、甘肃）的下级城市通过javascript:void(0)触发，数据隐藏在data-code属性中。

我们需要同时处理这两种情况：

# 模式1：标准链接匹配pattern_level2_link=r'<div><a[^>]+href="([^"]+)"[^>]*>([^<]+)</a></div>\s*<div>(\d+)</div>'# 模式2：JS 动态链接匹配（关键！）# 提取>=r'<div>.*<a>([^<]+)</a></div>'# 逻辑判断ifmatches_level2_link:# 处理标准链接...elifmatches_level2_js:# 处理 JS 链接，手动构造 URL# link = f"{base_url}/richang/xingzhengquhuadaima/{code}"

3. 反反爬虫策略

为了避免被服务器识别为机器人并封禁 IP，我们采取了“慢即是快”的策略：

1. 随机延迟：每次请求前随机休眠3.0到6.0秒。
2. 验证页面检测：如果被重定向到验证码页面，脚本会检测并报警（虽然通过增加延迟已基本规避）。
3. 数据清洗：对提取的链接进行strip()和rstrip(':')处理，防止畸形 URL 导致请求失败。

📊 数据输出格式

脚本运行完成后，会生成两个文件：

1.administrative_divisions.csv

适合导入数据库或 Excel 分析，包含父子级联关系。

2.administrative_divisions.json

树状结构，适合前端组件（如级联选择器 Cascader）直接使用。

[{"name":"辽宁省","code":"210000","level":1,"children":[{"name":"沈阳市","code":"210100",