Jsoup获取全国地区数据（省市县镇村）

最近手头在做一些东西，需要一个全国各地的地域数据，从省市区到县镇乡街道的。各种度娘，各种谷歌，都没找到一个完整的数据。最后功夫不负有心人，总算找到一份相对来说比较完整的 数据，但是这里的数据也只是精确到镇级别，没有村一级的数据（后来通过分析数据源我知道了为什么，呵呵），在加上博主提供的有些数据存在冗余，对于有强迫症和追求完美的我，心想着我一定要自己动手去把这部分数据给爬取出来。

　　上述博文中的内容还算丰富，博主是用的是php来实现的，作为2015年度编程语言排行榜的第一位，我们也不能示弱啊，下面我就带着大家一起来看看用java怎么从网页当中爬取我们想要的数据...

第一步、准备工作（数据源+工具）:

　　数据源（截止目前最全面权威的官方数据）：http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/

　　爬取数据的工具（爬虫工具）：http://jsoup.org/

第二步、数据源分析：

　　首先jsoup工具的使用我在这里就不做讲解了，感兴趣的可以自己动手去查阅。

　　做开发就应该多去了解一些软件工具的使用，在平常开发过程中遇到了才知道从何下手，鼓励大家多平时留意一些身边的软件工具，以备不时之需。在做这个东西以前，我也不知道jsoup要怎么用，但我知道jsoup可以用来干嘛，在我需要的用到的时候，再去查阅资料，自己学习。

 

　　上述的数据源是2013年中华人民共和国国家统计局发布的，其准确性和权威性不言而喻。

　　接下来我们分析一下数据源的结构，先从首页说起： 　　

　　通过分析首页源码我们可以得到如下3点：

1. 页面的整个布局是用的table标签来控制的，也就是说我们如果要通过jsoup来选择超链接，那么一定要注意，上图中不是只要标注了省市地区的地方采用的才是表格，整个页面中存在多个表格，因此是不可以直接通过表格

   Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");
   Elements rowProvince = connect.select("table");

   来解析数据的。

2. 页面中有超链接的部分有多少地方。可能是官方考虑到了你们这种程序员需要获取这样的数据的原因吧，页面很干净，除开下方的备案号是多余的超链接，其他的链接可以直接爬取。
3. 省份城市的数据规律。包含有效信息的表格的每一行都有一个class属性provincetr,这个属性很重要，至于为什么重要，请接着往下看；每一行数据中存在多个td标签，每一个td标签中包含一个a超链接，而这个超链接正是我们想要的超链接，超链接的文本即使省份（直辖市等）的名称。

 　　

　　再次我们再看一下一般的数据页面（一般的数据页面包括市级、县级、镇级这三级数据展示页面）：

　　之所以要把上述三个页面放在一起，是因为通过分析我们可以发现，这三级数据的数据页面完全一致，唯一不同的就是在html源码数据表格中的数据行tr的class属性不一致，分别对应为：citytr,countrytrhe towntr。其他均一致。这样我们就可以用一个通用的方法解决这三个页面的数据爬取。　　

　　

　　最后看看村一级的数据页面： 　　

 　　在村一级的数据中，和上述市县镇的数据格式不一致，这一级所表示的数据是最低一级的，所以不存在a链接，因此不能采用上面市县镇数据的爬取方式去爬取；这里展示数据的表格行的class为villagetr，除开这两点以外，在每一行数据中包含三列数据，第一列是citycode,第二列是城乡分类（市县镇的数据格式不存在这一项），第三列是城市名称。

 　　把握了以上各个要点之外，我们就可以开始编码了。

第三步、编码实现： 

  1 import java.io.BufferedWriter;
  2 import java.io.File;
  3 import java.io.FileWriter;
  4 import java.io.IOException;
  5 import java.util.HashMap;
  6 import java.util.Map;
  7 
  8 import org.jsoup.Jsoup;
  9 import org.jsoup.nodes.Document;
 10 import org.jsoup.nodes.Element;
 11 import org.jsoup.select.Elements;
 12 
 13 /**
 14  * 全国省市县镇村数据爬取
 15  * @author liushaofeng
 16  * @date 2015-10-11 上午12:19:39
 17  * @version 1.0.0
 18  */
 19 public class JsoupTest
 20 {
 21     private static Map<Integer, String> cssMap = new HashMap<Integer, String>();
 22     private static BufferedWriter bufferedWriter = null;
 23 
 24     static
 25     {
 26         cssMap.put(1, "provincetr");// 省
 27         cssMap.put(2, "citytr");// 市
 28         cssMap.put(3, "countytr");// 县
 29         cssMap.put(4, "towntr");// 镇
 30         cssMap.put(5, "villagetr");// 村
 31     }
 32 
 33     public static void main(String[] args) throws IOException
 34     {
 35         int level = 1;
 36 
 37         initFile();
 38 
 39         // 获取全国各个省级信息
 40         Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");
 41         Elements rowProvince = connect.select("tr." + cssMap.get(level));
 42         for (Element provinceElement : rowProvince)// 遍历每一行的省份城市
 43         {
 44             Elements select = provinceElement.select("a");
 45             for (Element province : select)// 每一个省份(四川省)
 46             {
 47                 parseNextLevel(province, level + 1);
 48             }
 49         }
 50 
 51         closeStream();
 52     }
 53 
 54     private static void initFile()
 55     {
 56         try
 57         {
 58             bufferedWriter = new BufferedWriter(new FileWriter(new File("d:\\CityInfo.txt"), true));
 59         } catch (IOException e)
 60         {
 61             e.printStackTrace();
 62         }
 63     }
 64 
 65     private static void closeStream()
 66     {
 67         if (bufferedWriter != null)
 68         {
 69             try
 70             {
 71                 bufferedWriter.close();
 72             } catch (IOException e)
 73             {
 74                 e.printStackTrace();
 75             }
 76             bufferedWriter = null;
 77         }
 78     }
 79 
 80     private static void parseNextLevel(Element parentElement, int level) throws IOException
 81     {
 82         try
 83         {
 84             Thread.sleep(500);//睡眠一下，否则可能出现各种错误状态码
 85         } catch (InterruptedException e)
 86         {
 87             e.printStackTrace();
 88         }
 89 
 90         Document doc = connect(parentElement.attr("abs:href"));
 91         if (doc != null)
 92         {
 93             Elements newsHeadlines = doc.select("tr." + cssMap.get(level));//
 94             // 获取表格的一行数据
 95             for (Element element : newsHeadlines)
 96             {
 97                 printInfo(element, level + 1);
 98                 Elements select = element.select("a");// 在递归调用的时候，这里是判断是否是村一级的数据，村一级的数据没有a标签
 99                 if (select.size() != 0)
100                 {
101                     parseNextLevel(select.last(), level + 1);
102                 }
103             }
104         }
105     }
106 
107     /**
108      * 写一行数据到数据文件中去
109      * @param element 爬取到的数据元素
110      * @param level 城市级别
111      */
112     private static void printInfo(Element element, int level)
113     {
114         try
115         {
116             bufferedWriter.write(element.select("td").last().text() + "{" + level + "}["
117                 + element.select("td").first().text() + "]");
118             bufferedWriter.newLine();
119             bufferedWriter.flush();
120         } catch (IOException e)
121         {
122             e.printStackTrace();
123         }
124     }
125 
126     private static Document connect(String url)
127     {
128         if (url == null || url.isEmpty())
129         {
130             throw new IllegalArgumentException("The input url('" + url + "') is invalid!");
131         }
132         try
133         {
134             return Jsoup.connect(url).timeout(100 * 1000).get();
135         } catch (IOException e)
136         {
137             e.printStackTrace();
138             return null;
139         }
140     }
141 }

数据爬取过程便是一个漫长的过程，只需要慢慢等待吧，呵呵,由于程序运行时间较长，请不要在控制台打印输出，否则可能会影响程序运行....

最终获取到数据的格式如下（"{}"中表示城市级别，"[]"中内容表示城市编码）：

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

市辖区{ 3 }[ 110100000000 ] 东城区{ 4 }[ 110101000000 ] 东华门街道办事处{ 5 }[ 110101001000 ] 多福巷社区居委会{ 6 }[ 110101001001 ] 银闸社区居委会{ 6 }[ 110101001002 ] 东厂社区居委会{ 6 }[ 110101001005 ] 智德社区居委会{ 6 }[ 110101001006 ] 南池子社区居委会{ 6 }[ 110101001007 ] 黄图岗社区居委会{ 6 }[ 110101001008 ] 灯市口社区居委会{ 6 }[ 110101001009 ] 正义路社区居委会{ 6 }[ 110101001010 ] 甘雨社区居委会{ 6 }[ 110101001011 ] 台基厂社区居委会{ 6 }[ 110101001013 ] 韶九社区居委会{ 6 }[ 110101001014 ] 王府井社区居委会{ 6 }[ 110101001015 ] 景山街道办事处{ 5 }[ 110101002000 ] 隆福寺社区居委会{ 6 }[ 110101002001 ] 吉祥社区居委会{ 6 }[ 110101002002 ] 黄化门社区居委会{ 6 }[ 110101002003 ] 钟鼓社区居委会{ 6 }[ 110101002004 ] 魏家社区居委会{ 6 }[ 110101002005 ] 汪芝麻社区居委会{ 6 }[ 110101002006 ] 景山东街社区居委会{ 6 }[ 110101002008 ] 皇城根北街社区居委会{ 6 }[ 110101002009 ] 交道口街道办事处{ 5 }[ 110101003000 ] 交东社区居委会{ 6 }[ 110101003001 ] 福祥社区居委会{ 6 }[ 110101003002 ] 大兴社区居委会{ 6 }[ 110101003003 ] 府学社区居委会{ 6 }[ 110101003005 ] 鼓楼苑社区居委会{ 6 }[ 110101003007 ] 菊儿社区居委会{ 6 }[ 110101003008 ] 南锣鼓巷社区居委会{ 6 }[ 110101003009 ] 安定门街道办事处{ 5 }[ 110101004000 ] 交北头条社区居委会{ 6 }[ 110101004001 ] 北锣鼓巷社区居委会{ 6 }[ 110101004002 ] 国子监社区居委会{ 6 }[ 110101004003 ] ......

拿到以上数据以后，自己想干什么都可以自我去实现了，以上的代码可以直接运行，从数据源爬取后，可以直接转换成自己所要的格式。

后续处理的最终结果，请参见博文：http://www.cnblogs.com/liushaofeng89/p/4937714.html

  

 转载请注明出处：http://www.cnblogs.com/liushaofeng89/p/4873086.html