最近手頭在作一些東西,須要一個全國各地的地域數據,從省市區到縣鎮鄉街道的。各類度娘,各類谷歌,都沒找到一個完整的數據。最後功夫不負有心人,總算找到一份相對來講比較完整的數據,可是這裏的數據也只是精確到鎮級別,沒有村一級的數據(後來經過分析數據源我知道了爲何,呵呵),在加上博主提供的有些數據存在冗餘,對於有強迫症和追求完美的我,心想着我必定要本身動手去把這部分數據給爬取出來。php
上述博文中的內容還算豐富,博主是用的是php來實現的,做爲2015年度編程語言排行榜的第一位,咱們也不能示弱啊,下面我就帶着你們一塊兒來看看用java怎麼從網頁當中爬取咱們想要的數據...css
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/html
爬取數據的工具(爬蟲工具):http://jsoup.org/java
首先jsoup工具的使用我在這裏就不作講解了,感興趣的能夠本身動手去查閱。node
作開發就應該多去了解一些軟件工具的使用,在日常開發過程當中遇到了才知道從何下手,鼓勵你們多平時留意一些身邊的軟件工具,以備不時之需。在作這個東西之前,我也不知道jsoup要怎麼用,但我知道jsoup能夠用來幹嗎,在我須要的用到的時候,再去查閱資料,本身學習。程序員
上述的數據源是2013年中華人民共和國國家統計局發佈的,其準確性和權威性不言而喻。編程
接下來咱們分析一下數據源的結構,先從首頁提及: 編程語言
經過分析首頁源碼咱們能夠獲得以下3點:工具
Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/"); Elements rowProvince = connect.select("table");
來解析數據的。佈局
再次咱們再看一下通常的數據頁面(通常的數據頁面包括市級、縣級、鎮級這三級數據展現頁面):
之因此要把上述三個頁面放在一塊兒,是由於經過分析咱們能夠發現,這三級數據的數據頁面徹底一致,惟一不一樣的就是在html源碼數據表格中的數據行tr的class屬性不一致,分別對應爲:citytr,countrytrhe towntr。其餘均一致。這樣咱們就能夠用一個通用的方法解決這三個頁面的數據爬取。
最後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,因此不存在a連接,所以不能採用上面市縣鎮數據的爬取方式去爬取;這裏展現數據的表格行的class爲villagetr,除開這兩點之外,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以外,咱們就能夠開始編碼了。
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 import org.jsoup.Jsoup; 9 import org.jsoup.nodes.Document; 10 import org.jsoup.nodes.Element; 11 import org.jsoup.select.Elements; 12 13 /** 14 * 全國省市縣鎮村數據爬取 15 * @author liushaofeng 16 * @date 2015-10-11 上午12:19:39 17 * @version 1.0.0 18 */ 19 public class JsoupTest 20 { 21 private static Map<Integer, String> cssMap = new HashMap<Integer, String>(); 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");// 縣 29 cssMap.put(4, "towntr");// 鎮 30 cssMap.put(5, "villagetr");// 村 31 } 32 33 public static void main(String[] args) throws IOException 34 { 35 int level = 1; 36 37 initFile(); 38 39 // 獲取全國各個省級信息 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)// 遍歷每一行的省份城市 43 { 44 Elements select = provinceElement.select("a"); 45 for (Element province : select)// 每個省份(四川省) 46 { 47 parseNextLevel(province, level + 1); 48 } 49 } 50 51 closeStream(); 52 } 53 54 private static void initFile() 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 void closeStream() 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) throws IOException 81 { 82 try 83 { 84 Thread.sleep(500);//睡眠一下,不然可能出現各類錯誤狀態碼 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 // 獲取表格的一行數據 95 for (Element element : newsHeadlines) 96 { 97 printInfo(element, level + 1); 98 Elements select = element.select("a");// 在遞歸調用的時候,這裏是判斷是不是村一級的數據,村一級的數據沒有a標籤 99 if (select.size() != 0) 100 { 101 parseNextLevel(select.last(), level + 1); 102 } 103 } 104 } 105 } 106 107 /** 108 * 寫一行數據到數據文件中去 109 * @param element 爬取到的數據元素 110 * @param level 城市級別 111 */ 112 private static void printInfo(Element element, int level) 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 static Document 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 }
數據爬取過程即是一個漫長的過程,只須要慢慢等待吧,呵呵,因爲程序運行時間較長,請不要在控制檯打印輸出,不然可能會影響程序運行....
最終獲取到數據的格式以下("{}"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] 臺基廠社區居委會{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] 鐘鼓社區居委會{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] ......
拿到以上數據之後,本身想幹什麼均可以自我去實現了,以上的代碼能夠直接運行,從數據源爬取後,能夠直接轉換成本身所要的格式。
後續處理的最終結果,請參見博文:http://www.cnblogs.com/liushaofeng89/p/4937714.html
若是你以爲本博文對你有所幫助,請記得點擊右下方的"推薦"哦,麼麼噠...
轉載請註明出處:http://www.cnblogs.com/liushaofeng89/p/4873086.html