如何从CAG网站下载2018-2022年3月的月度关键指标PDF文件

核心逻辑是从PDF文件名中提取年月信息，判断是否在2018年3月-2022年3月区间内，符合条件才下载。

步骤1：处理日期解析 #

观察CAG网站的月度关键指标PDF文件名，通常包含Mar_2018这类英文月份+年份格式，先定义月份映射表，把英文缩写转成数字：

month_map = {
    'Jan': '01', 'Feb': '02', 'Mar': '03',
    'Apr': '04', 'May': '05', 'Jun': '06',
    'Jul': '07', 'Aug': '08', 'Sep': '09',
    'Oct': '10', 'Nov': '11', 'Dec': '12'
}

步骤2：修改下载逻辑，添加日期筛选 #

在原代码循环中加入日期判断逻辑，完整代码如下：

import os
import requests
from bs4 import BeautifulSoup
from urllib.parse import urljoin

# 基础配置
url = "https://cag.gov.in/en/state-accounts-report?defuat_state_id=64"
folder_location = "./cag_pdfs"
tabID = "#tab-360"
# 用数值形式定义日期区间（YYYY*100 + MM），方便比较
start_date = 201803
end_date = 202203

# 创建存放文件夹（不存在则新建）
if not os.path.exists(folder_location):
    os.makedirs(folder_location)

# 页面请求与解析
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

month_map = {
    'Jan': '01', 'Feb': '02', 'Mar': '03',
    'Apr': '04', 'May': '05', 'Jun': '06',
    'Jul': '07', 'Aug': '08', 'Sep': '09',
    'Oct': '10', 'Nov': '11', 'Dec': '12'
}

for link in soup.select(f"{tabID} a[href$='.pdf']"):
    filename = link['href'].split('/')[-1]
    # 解析文件名中的年月（示例适配格式："Monthly_Key_Indicators_Mar_2018.pdf"）
    name_parts = filename.replace('.pdf', '').split('_')
    try:
        # 根据实际文件名结构调整索引，这里假设最后两位是月份缩写和年份
        month_abbr = name_parts[-2]
        year = name_parts[-1]
        month_num = month_map[month_abbr]
        file_date = int(f"{year}{month_num}")
    except (IndexError, KeyError):
        print(f"无法解析日期，跳过文件：{filename}")
        continue
    
    # 判断是否在目标区间内，符合则下载
    if start_date <= file_date <= end_date:
        full_path = os.path.join(folder_location, filename)
        with open(full_path, 'wb') as f:
            f.write(requests.get(urljoin(url, link['href'])).content)
        print(f"已下载：{filename}")
    else:
        print(f"不在目标区间，跳过：{filename}")

注意事项 #

• 如果文件名格式是数字形式（如201803_Key_Indicators.pdf），可以直接取文件名前6位转成整数，无需月份映射表。
• 建议先打印几个文件名，确认解析逻辑匹配实际格式，避免因文件名结构变化导致筛选失败。
• 可添加time.sleep(1)这类延时，避免频繁请求触发网站反爬机制。

内容的提问来源于stack exchange，提问作者NoobCoderPy