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:
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。
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。
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 importjava.io.BufferedWriter;2 importjava.io.File;3 importjava.io.FileWriter;4 importjava.io.IOException;5 importjava.util.HashMap;6 importjava.util.Map;7
8 importorg.jsoup.Jsoup;9 importorg.jsoup.nodes.Document;10 importorg.jsoup.nodes.Element;11 importorg.jsoup.select.Elements;12
13 /**
14 * 全国省市县镇村数据爬取15 *@authorliushaofeng16 * @date 2015-10-11 上午12:19:3917 *@version1.0.018 */
19 public classJsoupTest20 {21 private static Map cssMap = new HashMap();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) throwsIOException34 {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 voidinitFile()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 voidcloseStream()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) throwsIOException81 {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 *@paramelement 爬取到的数据元素110 *@paramlevel 城市级别111 */
112 private static void printInfo(Element element, intlevel)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 staticDocument 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):
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
如果你觉得本博文对你有所帮助,请记得点击右下方的"推荐"哦,么么哒...
转载请注明出处:http://www.cnblogs.com/liushaofeng89/p/4873086.html