Jsoup獲取全國地區數據（省市縣鎮村）

　　最近手頭在做一些東西，需要一個全國各地的地域數據，從省市區到縣鎮鄉街道的。各種度娘，各種谷歌，都沒找到一個完整的數據。最后功夫不負有心人，總算找到一份相對來說比較完整的數據，但是這里的數據也只是精確到鎮級別，沒有村一級的數據（后來通過分析數據源我知道了為什么，呵呵），在加上博主提供的有些數據存在冗余，對於有強迫症和追求完美的我，心想着我一定要自己動手去把這部分數據給爬取出來。

　　上述博文中的內容還算豐富，博主是用的是php來實現的，作為2015年度編程語言排行榜的第一位，我們也不能示弱啊，下面我就帶着大家一起來看看用java怎么從網頁當中爬取我們想要的數據...

第一步、准備工作（數據源+工具）:

　　數據源（截止目前最全面權威的官方數據）：http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/

　　爬取數據的工具（爬蟲工具）：http://jsoup.org/

第二步、數據源分析：

　　首先jsoup工具的使用我在這里就不做講解了，感興趣的可以自己動手去查閱。

　　做開發就應該多去了解一些軟件工具的使用，在平常開發過程中遇到了才知道從何下手，鼓勵大家多平時留意一些身邊的軟件工具，以備不時之需。在做這個東西以前，我也不知道jsoup要怎么用，但我知道jsoup可以用來干嘛，在我需要的用到的時候，再去查閱資料，自己學習。

 

　　上述的數據源是2013年中華人民共和國國家統計局發布的，其准確性和權威性不言而喻。

　　接下來我們分析一下數據源的結構，先從首頁說起： 　　

　　通過分析首頁源碼我們可以得到如下3點：

1. 頁面的整個布局是用的table標簽來控制的，也就是說我們如果要通過jsoup來選擇超鏈接，那么一定要注意，上圖中不是只要標注了省市地區的地方采用的才是表格，整個頁面中存在多個表格，因此是不可以直接通過表格

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

   來解析數據的。

2. 頁面中有超鏈接的部分有多少地方。可能是官方考慮到了你們這種程序員需要獲取這樣的數據的原因吧，頁面很干凈，除開下方的備案號是多余的超鏈接，其他的鏈接可以直接爬取。
3. 省份城市的數據規律。包含有效信息的表格的每一行都有一個class屬性provincetr,這個屬性很重要，至於為什么重要，請接着往下看；每一行數據中存在多個td標簽，每一個td標簽中包含一個a超鏈接，而這個超鏈接正是我們想要的超鏈接，超鏈接的文本即使省份（直轄市等）的名稱。

 　　

　　再次我們再看一下一般的數據頁面（一般的數據頁面包括市級、縣級、鎮級這三級數據展示頁面）：

　　之所以要把上述三個頁面放在一起，是因為通過分析我們可以發現，這三級數據的數據頁面完全一致，唯一不同的就是在html源碼數據表格中的數據行tr的class屬性不一致，分別對應為：citytr,countrytrhe towntr。其他均一致。這樣我們就可以用一個通用的方法解決這三個頁面的數據爬取。　　

　　

　　最后看看村一級的數據頁面： 　　

 　　在村一級的數據中，和上述市縣鎮的數據格式不一致，這一級所表示的數據是最低一級的，所以不存在a鏈接，因此不能采用上面市縣鎮數據的爬取方式去爬取；這里展示數據的表格行的class為villagetr，除開這兩點以外，在每一行數據中包含三列數據，第一列是citycode,第二列是城鄉分類（市縣鎮的數據格式不存在這一項），第三列是城市名稱。

 　　把握了以上各個要點之外，我們就可以開始編碼了。

第三步、編碼實現： 

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
 * 全國省市縣鎮村數據爬取
 * @author liushaofeng
 * @date 2015-10-11 上午12:19:39
 * @version 1.0.0
 */
public class JsoupTest
{
    private static Map<Integer, String> cssMap = new HashMap<Integer, String>();
    private static BufferedWriter bufferedWriter = null;

    static
    {
        cssMap.put(1, "provincetr");// 省
        cssMap.put(2, "citytr");// 市
        cssMap.put(3, "countytr");// 縣
        cssMap.put(4, "towntr");// 鎮
        cssMap.put(5, "villagetr");// 村
    }

    public static void main(String[] args) throws IOException
    {
        int level = 1;

        initFile();

        // 獲取全國各個省級信息
        Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");
        Elements rowProvince = connect.select("tr." + cssMap.get(level));
        for (Element provinceElement : rowProvince)// 遍歷每一行的省份城市
        {
            Elements select = provinceElement.select("a");
            for (Element province : select)// 每一個省份(四川省)
            {
                parseNextLevel(province, level + 1);
            }
        }

        closeStream();
    }

    private static void initFile()
    {
        try
        {
            bufferedWriter = new BufferedWriter(new FileWriter(new File("d:\\CityInfo.txt"), true));
        } catch (IOException e)
        {
            e.printStackTrace();
        }
    }

    private static void closeStream()
    {
        if (bufferedWriter != null)
        {
            try
            {
                bufferedWriter.close();
            } catch (IOException e)
            {
                e.printStackTrace();
            }
            bufferedWriter = null;
        }
    }

    private static void parseNextLevel(Element parentElement, int level) throws IOException
    {
        try
        {
            Thread.sleep(500);//睡眠一下，否則可能出現各種錯誤狀態碼
        } catch (InterruptedException e)
        {
            e.printStackTrace();
        }

        Document doc = connect(parentElement.attr("abs:href"));
        if (doc != null)
        {
            Elements newsHeadlines = doc.select("tr." + cssMap.get(level));//
            // 獲取表格的一行數據
            for (Element element : newsHeadlines)
            {
                printInfo(element, level + 1);
                Elements select = element.select("a");// 在遞歸調用的時候，這里是判斷是否是村一級的數據，村一級的數據沒有a標簽
                if (select.size() != 0)
                {
                    parseNextLevel(select.last(), level + 1);
                }
            }
        }
    }

    /**
     * 寫一行數據到數據文件中去
     * @param element 爬取到的數據元素
     * @param level 城市級別
     */
    private static void printInfo(Element element, int level)
    {
        try
        {
            bufferedWriter.write(element.select("td").last().text() + "{" + level + "}["
                + element.select("td").first().text() + "]");
            bufferedWriter.newLine();
            bufferedWriter.flush();
        } catch (IOException e)
        {
            e.printStackTrace();
        }
    }

    private static Document connect(String url)
    {
        if (url == null || url.isEmpty())
        {
            throw new IllegalArgumentException("The input url('" + url + "') is invalid!");
        }
        try
        {
            return Jsoup.connect(url).timeout(100 * 1000).get();
        } catch (IOException e)
        {
            e.printStackTrace();
            return null;
        }
    }
}

數據爬取過程便是一個漫長的過程，只需要慢慢等待吧，呵呵,由於程序運行時間較長，請不要在控制台打印輸出，否則可能會影響程序運行....

最終獲取到數據的格式如下（"{}"中表示城市級別，"[]"中內容表示城市編碼）：

市轄區{3}[110100000000]
東城區{4}[110101000000]
東華門街道辦事處{5}[110101001000]
多福巷社區居委會{6}[110101001001]
銀閘社區居委會{6}[110101001002]
東廠社區居委會{6}[110101001005]
智德社區居委會{6}[110101001006]
南池子社區居委會{6}[110101001007]
黃圖崗社區居委會{6}[110101001008]
燈市口社區居委會{6}[110101001009]
正義路社區居委會{6}[110101001010]
甘雨社區居委會{6}[110101001011]
台基廠社區居委會{6}[110101001013]
韶九社區居委會{6}[110101001014]
王府井社區居委會{6}[110101001015]
景山街道辦事處{5}[110101002000]
隆福寺社區居委會{6}[110101002001]
吉祥社區居委會{6}[110101002002]
黃化門社區居委會{6}[110101002003]
鍾鼓社區居委會{6}[110101002004]
魏家社區居委會{6}[110101002005]
汪芝麻社區居委會{6}[110101002006]
景山東街社區居委會{6}[110101002008]
皇城根北街社區居委會{6}[110101002009]
交道口街道辦事處{5}[110101003000]
交東社區居委會{6}[110101003001]
福祥社區居委會{6}[110101003002]
大興社區居委會{6}[110101003003]
府學社區居委會{6}[110101003005]
鼓樓苑社區居委會{6}[110101003007]
菊兒社區居委會{6}[110101003008]
南鑼鼓巷社區居委會{6}[110101003009]
安定門街道辦事處{5}[110101004000]
交北頭條社區居委會{6}[110101004001]
北鑼鼓巷社區居委會{6}[110101004002]
國子監社區居委會{6}[110101004003]
......

拿到以上數據以后，自己想干什么都可以自我去實現了，以上的代碼可以直接運行，從數據源爬取后，可以直接轉換成自己所要的格式。

后續處理的最終結果，請參見博文：http://www.cnblogs.com/liushaofeng89/p/4937714.html

  

如果你覺得本博文對你有所幫助，請記得點擊右下方的"推薦"哦，么么噠...

 轉載請注明出處：http://www.cnblogs.com/liushaofeng89/p/4873086.html