如何利用python在一个wen'dang'li_只听说过用Python做爬虫，Java程序员笑了！

本文转载自微信公众号「Java极客技术」，作者鸭血粉丝 。转载本文请联系Java极客技术公众号。

网络爬虫技术，早在万维网诞生的时候，就已经出现了，今天我们就一起来揭开它神秘的面纱!

一、摘要

说起网络爬虫，相信大家都不陌生，又俗称网络机器人，指的是程序按照一定的规则，从互联网上抓取网页，然后从中获取有价值的数据，随便在网上搜索一下，排在前面基本都是 pyhton 教程介绍。

的确，pyhton 在处理网页方面，有着开发简单、便捷、性能高效的优势!

但是我们 java 也不赖，在处理复杂的网页方面，需要解析网页内容生成结构化数据或者对网页内容精细的解析时，java 可以说更胜一筹!

下面我们以爬取国家省市区信息为例，使用 java 技术来实现，过程主要分三部：

第一步：目标网页分析

第二步：编写爬虫程序，对关键数据进行抓取

第三步：将抓取的数据写入数据库

废话不多说，直接开撸!

二、网页分析

网络爬虫，其实不是一个很难的技术，只是需要掌握的技术内容比较多，只会 java 技术是远远不够，还需要熟悉 html 页面属性!

以爬取国家省市区信息为例，我们可以直接在百度上搜索国家省市区，点击进入全国行政区划信息查询平台。

在民政数据菜单栏下，找到最新的行政区域代码公示栏。

点击进去，展示结果如下!

可以很清楚的看到，这就是我们要获取省市区代码的网页信息。

可能有的同学会问，这么直接干合不合法?

国家既然已经公示了，我们直接拿来用就可以，完全合法!而且国家省市区代码是一个公共字典，在很多业务场景下必不可少!

当我们找到了目标网页之后，我们首先要做的就是对网页进行分析，打开浏览器调试器，可以很清晰的看到它是一个table表格组成的数据。

熟悉 html 标签的同学，想必已经知道了它的组成原理。

其实table是一个非常简单的 html 标签，主要有tr和td组成，其中tr代表行，td代表列，例如用table标签画一个学生表格，代码如下：

编号	姓名
100	张三
101	李四

展示结果如下：

了解了table标签之后，我们再对网页进行详细分析。

首先对整个内容进行观察，很容易的看到，市级以上(包括市级)，都是黑体字加粗的，区或者县级地区，都是常规!

出现这个现象，其实是由样式标签CSS来控制的，点击北京市，找到对应的代码位置，从图中我们可以很清晰的看到，市级对应的样式class为xl7030796，区或者县级地区对应的样式class为xl7130796

除此之外，我们继续来看看省和市级的区别!

可以很清晰的看到，市级相比省级信息，多了一个span占位符标签。

于是，我们可以得出如下结论：

省级信息，样式标签为xl7030796

市级信息，样式标签为xl7030796，同时包含span占位符标签

区或者县级信息，样式标签为xl7130796

等会会通过这些规律信息来从网页信息中抓取省、市、区信息。

三、编写爬虫程序

3.1、创建项目

新建一个基于 maven 工程 java 项目，在pom.xml工程中引入如下 jar 包!

org.jsoup

jsoup

1.11.2

3.2、编写爬取程序

先创建一个实体数据类，用于存放抓取的数据

publicclass ChinaRegionsInfo {

/**

* 行政区域编码

*/

private String code;

/**

* 行政区域名称

*/

private String name;

/**

* 行政区域类型，1:省份，2：城市，3：区或者县城

*/

private Integertype;

/**

* 上一级行政区域编码

*/

private String parentCode;

//省略get、set

}

然后，我们来编写爬取代码，将抓取的数据封装到实体类中

//需要抓取的网页地址

private staticfinal String URL ="http://www.mca.gov.cn//article/sj/xzqh/2020/202006/202008310601.shtml";

publicstaticvoid main(String[] args) throws IOException {

List regionsInfoList = new ArrayList<>();

//抓取网页信息

Document document = Jsoup.connect(URL).get();

//获取真实的数据体

Element element = document.getElementsByTag("tbody").get(0);

String provinceCode = "";//省级编码

String cityCode = "";//市级编码

if(Objects.nonNull(element)){

Elements trs = element.getElementsByTag("tr");

for(inti = 3; i 

Elements tds = trs.get(i).getElementsByTag("td");

if(tds.size() 

continue;

}

Element td1 = tds.get(1);//行政区域编码

Element td2 = tds.get(2);//行政区域名称

if(StringUtils.isNotEmpty(td1.text())){

if(td1.classNames().contains("xl7030796")){

if(td2.toString().contains("span")){

//市级

ChinaRegionsInfo chinaRegions = new ChinaRegionsInfo();

chinaRegions.setCode(td1.text());

chinaRegions.setName(td2.text());

chinaRegions.setType(2);

chinaRegions.setParentCode(provinceCode);

regionsInfoList.add(chinaRegions);

cityCode = td1.text();

} else{

//省级

ChinaRegionsInfo chinaRegions = new ChinaRegionsInfo();

chinaRegions.setCode(td1.text());

chinaRegions.setName(td2.text());

chinaRegions.setType(1);

chinaRegions.setParentCode("");

regionsInfoList.add(chinaRegions);

provinceCode = td1.text();

}

} else{

//区或者县级

ChinaRegionsInfo chinaRegions = new ChinaRegionsInfo();

chinaRegions.setCode(td1.text());

chinaRegions.setName(td2.text());

chinaRegions.setType(3);

chinaRegions.setParentCode(StringUtils.isNotEmpty(cityCode) ? cityCode : provinceCode);

regionsInfoList.add(chinaRegions);

}

}

}

}

//打印结果

System.out.println(JSONArray.toJSONString(regionsInfoList));

}

运行程序，输出结果如下：

json解析结果如下：

至此，网页有效数据已经全部抓取完毕!

四、写入数据库

在实际的业务场景中，我们需要做的不仅仅只是抓取出有价值的数据，最重要的是将这些数据记录数据库，以备后续的业务可以用的上!

例如，当我们在开发一个给员工发放薪资系统的时候，其中的社保、公积金，可能每个城市都不一样，这个时候就会到国家省市区编码。

因此，我们可以将抓取的国家省市区编码写入数据库!

在上面，我们已经将具体的省市区数据结构封装成数组对象，写入过程也很简单。

首先，创建一张国家行政地域信息表china_regions

CREATETABLE`china_regions` (

`id` bigint(20) unsignedNOTNULLCOMMENT'主键ID',

`code` varchar(32)COLLATEutf8mb4_unicode_ciNOTNULLDEFAULT''COMMENT'行政地域编码',

`name`varchar(50)COLLATEutf8mb4_unicode_ciNOTNULLDEFAULT''COMMENT'行政地域名称',

`type` tinyint(4) NOTNULLDEFAULT'1'COMMENT'行政地域类型，1:省份，2：城市，3：区域',

`parent_code` varchar(32)COLLATEutf8mb4_unicode_ciNOTNULLDEFAULT''COMMENT'上一级行政编码',

`is_delete` tinyint(4) NOTNULLDEFAULT'0'COMMENT'是否删除 1：已删除；0：未删除',

`create_time` datetime NOTNULLDEFAULTCURRENT_TIMESTAMPCOMMENT'创建时间',

`update_time` datetime NOTNULLDEFAULTCURRENT_TIMESTAMPONUPDATECURRENT_TIMESTAMPCOMMENT'更新时间',

PRIMARYKEY(`id`),

KEY`idx_code` (`code`) USING BTREE,

KEY`idx_name` (`name`) USING BTREE,

KEY`idx_type` (`type`) USING BTREE,

KEY`idx_parent_code` (`parent_code`) USING BTREE

) ENGINE=InnoDB DEFAULTCHARSET=utf8mb4COLLATE=utf8mb4_unicode_ci COMMENT='国家行政地域信息表';

搭建一个springboot工程，通过mybatis-plus组件，一键生成代码

最后，配置好数据源，重新封装数组对象，调用批量插入方法，即可插入操作

chinaRegionsService.saveBatch(regionsInfoList);

插入执行完之后，数据库结果如下

至此，大部分工作基本已经完成!

但是，细心的你，可能会发现还有数据问题，因为我们国家在省级区域上，还有一个直辖市的概念，以北京市为例，在数据库中type类型为1，表示省级类型，但是它的子级是一个区，中间还掉了一层市级类型。

因此，我们还需要对这些直辖市类型的数据进行修复，查询出所有的直辖市类型的城市。

对这些编号的城市，单独处理，中间加一层市级类型!

至此，国家省市区编码数据字典，全部处理完毕!

五、总结

本篇主要以爬取国家省市区编号为例，以 java 技术为背景进行讲解，在整个爬取过程中，最重要的一部分就是网页分析，找出规律，然后通过jsoup工具包解析网页，获取其中的有效数据。

同时，技术是一把双面刀，希望同学们能正当使用!

七、参考

1、2020年行政区划代码

2、jsoup -中文文档

【编辑推荐】

【责任编辑：武晓燕 TEL：(010)68476606】

点赞 0