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...
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/
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:
Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/"); Elements rowProvince = connect.select("table");
来解析数据的。
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。
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
9 import org.jsoup.Jsoup; 10 import org.jsoup.nodes.Document; 11 import org.jsoup.nodes.Element; 12 import org.jsoup.select.Elements; 13 14 /** 15 * 全国省市县镇村数据爬取 16 * @author liushaofeng 17 * @date 2015-10-11 上午12:19:39 18 * @version 1.0.0 19 */ 20 public class JsoupTest 21 { 22 private static Map<Integer, String> cssMap = new HashMap<Integer, String>(); 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 // 获取全国各个省级信息 38 Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/"); 39 Elements rowProvince = connect.select("tr." + cssMap.get(level)); 40 for (Element provinceElement : rowProvince)// 遍历每一行的省份城市 41 { 42 Elements select = provinceElement.select("a"); 43 for (Element province : select)// 每一个省份(四川省) 44 { 45 System.out.println(province.text()); 46 parseNextLevel(province, level + 1); 47 } 48 } 49 } 50 51 private static void parseNextLevel(Element parentElement, int level) throws IOException 52 { 53 try 54 { 55 Thread.sleep(500); 56 } catch (InterruptedException e) 57 { 58 e.printStackTrace(); 59 } 60 61 Document doc = connect(parentElement.attr("abs:href")); 62 Elements newsHeadlines = doc.select("tr." + cssMap.get(level));// 63 // 获取表格的一行数据 64 for (Element element : newsHeadlines) 65 { 66 printInfo(element, level + 1); 67 Elements select = element.select("a"); 68 if (select.size() != 0) 69 { 70 parseNextLevel(select.last(), level + 1); 71 } 72 } 73 } 74 75 private static void printInfo(Element element, int level) 76 { 77 BufferedWriter bufferedWriter = null; 78 try 79 { 80 bufferedWriter = new BufferedWriter(new FileWriter(new File("F:\\CityInfo.txt"), true)); 81 String str = element.select("td").last().text() + "{" + level + "}[" 82 + element.select("td").first().text() + "]"; 83 System.out.println(str); 84 bufferedWriter.write(str); 85 bufferedWriter.newLine(); 86 bufferedWriter.flush(); 87 } catch (IOException e) 88 { 89 e.printStackTrace(); 90 } finally 91 { 92 if (bufferedWriter != null) 93 { 94 try 95 { 96 bufferedWriter.close(); 97 } catch (IOException e) 98 { 99 e.printStackTrace(); 100 } 101 bufferedWriter = null; 102 } 103 } 104 } 105 106 private static Document connect(String url) 107 { 108 if (url == null || url.isEmpty()) 109 { 110 throw new IllegalArgumentException("The input url(‘" + url + "‘) is invalid!"); 111 } 112 try 113 { 114 return Jsoup.connect(url).timeout(60 * 1000).get(); 115 } catch (IOException e) 116 { 117 e.printStackTrace(); 118 return null; 119 } 120 } 121 }
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....
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。
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
原文:http://www.cnblogs.com/liushaofeng89/p/4873086.html