你的位置:首页 > Java教程

[Java教程]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、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  
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 try113 {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