從統計局採集最新的省市區縣數據，純js

時間  2019-11-11
標籤 統計局 採集 最新 省市 區縣 數據 欄目 網絡爬蟲 简体版
原文   原文鏈接

本文更新（移步查閱）：
19-04-15 新採集了2018的省市區三級座標和行政區域邊界
19-03-22 採集了2018的城市數據
18-11-28 採集了2017的城市數據javascript

數據下載 GitHub：https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov/releases
相關更新狀況，請查閱我發佈的其餘文章，本文如下內容再也不更新。php

18-01-28早上6:30的火車，從三亞回老家，票難買啊。好激動~
聲明：文中涉及到的數據和第三方接口、url僅供學習使用，請勿它用~html

這幾天都在磨着搭建本地測試環境，看到省市區數據表裏面是空的，想着之前的老數據仍是13年採集的，含省市區縣4級數據共4.8萬條，時間久了，使用過程當中發現有些新的城市名稱數據庫中沒有，縣級數據歷來就沒有用到過，想着仍是從新採集一份。java

新採集的省市區數據有3589條，此次並無把縣級數據採過來，須要的時候再添加也挺好。git

數據來源

國家統計局統計標準《2016年統計用區劃代碼和城鄉劃分代碼(截止2016年07月31日)》，這個是2017-05-16發佈的，當前是最新的。
github

數據採集

對於數據採集，根據工做須要，對於一些小的數據採集功能有些接觸。由於對html和js熟些，很早之前就用IE瀏覽器對本地html文件支持任意跨域ajax請求數據、和支持讀寫Excel文件，就直接寫一個html文件做爲採集工具給別人使用，批量查詢人員資料、考試結果什麼的功能。因此採集省市區數據主要用的js。ajax

1. 抓取原始數據

打開網頁http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html省份的數據就有了，進入市級頁面，而後進入區級頁面，還能夠進入縣級頁面。整個流程地址結構很是簡單，數據格式也很好提取。數據庫

進入網頁後打開瀏覽器控制檯，執行下面代碼，這段代碼僅僅包含採集省市區的，把縣級的閹割掉了，13年的老代碼有縣級的。很早之前寫的代碼，風格有點醜，不過能能正常使用就是好的，這個採集是「單線程的」，由於這些數據少，速度並不慢：跨域

/*
獲取城市名稱http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html
*/
(function(){
if(!window.URL){
    throw new Error("瀏覽器版本過低");
};
function ajax(url,True,False){
    var ajax=new XMLHttpRequest();
    ajax.timeout=1000;
    ajax.open("GET",url);
    ajax.onreadystatechange=function(){
        if(ajax.readyState==4){
            if(ajax.status==200){
                True(ajax.responseText);
            }else{
                False();
            }
        }
    }
    ajax.send();
}
function msg(){
    console.log.apply(console, arguments);
}

function cityClass(name,url,code){
    this.name=name;
    this.url=url;
    this.code=code;
    this.child=[];
    this.tryCount=0;
}
cityClass.prototype={
    getValue:function(){
        var obj={name:this.name,code:this.code,child:[]};
        for(var i=0;i<this.child.length;i++){
            obj.child.push(this.child[i].getValue());
        }
        return obj;
    }
}

function load_all(True){
    var path="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016";
    ajax(path+"/index.html",function(text){
        var reg=/href='(.+?)'>(.+?)<br/ig,match;
        var idx;
        if((idx=text.indexOf("<tr class='provincetr'>"))+1){
            reg.lastIndex=idx;
            while(match=reg.exec(text)){
                var url=match[1];
                if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
                    url=path+"/"+url;
                }
                var name=match[2];
                DATA.push(new cityClass(name,url,0));
            }
            True();
        }else{
            msg("未發現省份數據");
        }
    },function(){
        msg("讀取省份列表出錯","程序終止");
    });
}
function load_shen(True, False){
    var city=DATA[JD.shen];
    city.tryCount++;
    if(city.tryCount>3){
        msg("讀取省份["+city.name+"]超過3次");
        False();
        return;
    };
    
    function get(){
        msg("讀取省份["+city.name+"]", getJD());
        save();
        
        city.child[JD.si].tryCount=0;
        load_si(function(){
            JD.shen++;
            if(JD.shen>=DATA.length){
                JD.shen=0;
                True();
                return;
            };
            DATA[JD.shen].tryCount=0;
            
            load_shen(True,False);
        },function(){
            False();
        });
    }
    
    if(city.child.length){
        get();
    }else{
        ajax(city.url,function(text){
            var reg=/<tr class='citytr'>.+?href='(.+?)'>(.+?)<.+?'>(.+?)</ig;
            var match;
            while(match=reg.exec(text)){
                var url=match[1];
                if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
                    url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
                }
                var code=match[2];
                var name=match[3];
                city.child.push(new cityClass(name,url,code));
            }
            
            JD.si=0;
            get();
        },function(){
            load_shen(True,False);
        });
    };
}

function load_si(True,False){
    var shen=DATA[JD.shen];
    var city=shen.child[JD.si];
    city.tryCount++;
    if(city.tryCount>3){
        msg("讀取城市["+city.name+"]超過3次");
        False();
        return;
    };
    
    
    function get(){
        msg("___讀取城市["+city.name+"]", getJD());
        
        city.child[JD.xian].tryCount=0;
        JD.si++;
        if(JD.si>=shen.child.length){
            JD.si=0;
            True();
            return;
        };
        shen.child[JD.si].tryCount=0;
        
        load_si(True,False);
    }
    
    if(city.child.length){
        get();
    }else{
        ajax(city.url,function(text){
            var reg=/class='(?:countytr|towntr)'.+?<\/tr>/ig;
            var match;
            while(match=reg.exec(text)){
                var reg2=/class='(?:countytr|towntr)'.+?(?:<td><a href='(.+?)'>(.+?)<.+?'>(.+?)<|<td>(.+?)<.+?<td>(.+?)<)/ig;
                var match2;
                if(match2=reg2.exec(match[0])){
                    var url=match2[1]||"";
                    if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
                        url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
                    }
                    var code=match2[2]||match2[4];
                    var name=match2[3]||match2[5];
                    city.child.push(new cityClass(name,url,code));
                }else{
                    msg("未知城市模式:");
                    msg(city.url);
                    msg(match[0]);
                    throw new Error("end");
                }
            }
            
            JD.xian=0;
            get();
        },function(){
            load_si(True,False);
        });
    };
}


function getJD(){
    var str="省:"+(JD.shen+1)+"/"+DATA.length;
    var shen=DATA[JD.shen];
    if(shen){
        str+=" 市:"+(JD.si+1)+"/"+shen.child.length;
        var si=shen.child[JD.si];
        if(si){
            str+=" 縣:"+(JD.xian+1)+"/"+si.child.length;
        }else{
            str+=" 縣:"+JD.xian;
        }
    }else{
        str+=" 市:"+JD.si+" 縣:"+JD.xian;
    }
    return str;
}
function save(){
    
}

var DATA=[];
var JD;
window.RunLoad=function(shen,si,xian){
    RunLoad.T1=Date.now();
    JD={
        shen:shen||0
        ,si:si||0
        ,xian:xian||0
    }
    
    function get(){
        DATA[JD.shen].tryCount=0;
        load_shen(function(){
            console.log("完成："+(Date.now()-RunLoad.T1)/1000+"秒");
            save();
            
            var data=[];
            for(var i=0;i<DATA.length;i++){
                data.push(DATA[i].getValue());
            }
            
            var url=URL.createObjectURL(
                new Blob([
                    new Uint8Array([0xEF,0xBB,0xBF])
                    ,"var CITY_LIST="
                    ,JSON.stringify(data,null,"\t")
                ]
                ,{"type":"text/plain"})
            );
            var downA=document.createElement("A");
            downA.innerHTML="下載查詢好城市的文件";
            downA.href=url;
            downA.download="data.txt";
            document.body.appendChild(downA);
            downA.click();
            
            msg("--完成--");
        },function(){
            save();
            msg("當前進度：", getJD());
        });
    }
    
    var data=localStorage["load_data"];
    if(data){
        DATA=JSON.parse(data);
        get();
    }else{
        load_all(get);
    }
}
})();//@ sourceURL=console.js


//當即執行代碼
RunLoad()

採集截圖:
瀏覽器

2. 處理數據和拼音標註

數據處理就簡單些了，好比編號格式化、名稱格式化等。

拼音標註：這個須要找一個接口對文字進行拼音翻譯，只有一個要求：重慶能正常的翻譯成chong qing便可，翻譯成zhong qing的就low了。知足這個條件，百度上搜索到的翻譯小網站80%就被幹掉了。

瀏覽器中打開找到的翻譯接口http://www.qqxiuzi.cn/zh/pinyin/，截止到目前是能正常調用的，由於要用ajax請求數據，在頁面裏面就沒有跨域的問題，查看網頁源碼，把token值記錄下來，這個網站翻譯請求須要帶這個token，注意~刷新頁面要從新獲取：

拼音這個由於數據量比較多，採用了「4個線程」採集，先把第一步採集到的文件打開，把數據複製到打開的翻譯網站瀏覽器控制檯裏面執行（至關於把數據導入），而後執行下面代碼：

/*
拼音翻譯
http://www.qqxiuzi.cn/zh/pinyin/

http://www.qqxiuzi.cn/zh/pinyin/show.php
POST
t=漢字&d=1&s=null&k=1&b=null&h=null&u=null&v=1&y=null&z=null&token=頁面token請求一次獲取

先加載數據
    控制檯輸入data.txt
*/
window.PageToken=window.PageToken||"";
var FixTrim=function(name){
    return name.replace(/^\s+|\s+$/g,"");
};
var CITY_LIST2;
var QueryPinYin=function(end){
    if(!window.PageToken){
        console.error("Need PageToken");
        return;
    };
    var ids=[];
    
    var fixCode=function(o){
        if(o.deep==0){
            o.orgCode="0";
        }else{
            o.orgCode=o.code;
            if(o.deep==1){
                o.code=o.code.substr(o,4);
            }else{
                o.code=o.code.replace(/(000000|000)$/g,"");//有少部分區多3位
            };
        };
        return o;
    };
    var fix=function(o,p){
        var name=o.name;
        if(o.deep==0){
            name=name.replace(/(市|省|(維吾爾|壯族|回族)?自治區)$/ig,"");
        }else if(o.deep==1){
            if(name=="市轄區"){
                name=p.o2.name;
            }else if(/行政區劃$/ig.test(name)){
                name="直轄市";
            }else if(name.length>2){
                name=name.replace(/市$/ig,"");
            };
        }else{
            if(name.length>2 && name!="市轄區"
                && !/(自治.|地區|礦區)$/.test(name)){//直接排除會有同名的
                name=name.replace(/(市|區|縣|鎮|管委會|街道辦事處)$/ig,"");
            };
        };
        var o2={
            name:name
            ,ext_name:o.name
            ,id:+o.code||0
            ,ext_id:+o.orgCode
            ,pid:p&&+p.code||0
            ,deep:o.deep
        };
        o.o2=o2;
        return o2;
    };
    for(var i=0;i<CITY_LIST.length;i++){
        var shen=CITY_LIST[i];
        shen.deep=0;
        for(var i2=0;i2<shen.child.length;i2++){
            var si=shen.child[i2];
            if(!shen.code){
                shen.code=si.code.substr(0,2);
                ids.push(fix(fixCode(shen)));
            };
            si.deep=1;
            ids.push(fix(fixCode(si),shen));
            
            
            for(var i3=0;i3<si.child.length;i3++){
                var qu=si.child[i3];
                qu.deep=2;
                ids.push(fix(fixCode(qu),si));
            };
        };
    };
    CITY_LIST2=ids;
    //console.log(JSON.stringify(ids,null,"\t"))
    //return;
    
    var idx=-1;
    var run=function(stack){
        stack=+stack||0;
        idx++;
        if(idx>=ids.length){
            thread--;
            if(thread==0){
                end();
            };
            return;
        };
        
        var idx_=idx;
        var id=ids[idx];
        if(id.P){
            stack++;
            if(stack%50==0){
                setTimeout(function(){run()});
            }else{
                run(stack);
            };
            return;
        };
        
        var name=id.name;
        var tryCount=0;
        var tryLoad=function(){
            $.ajax({
                url:"/zh/pinyin/show.php"
                ,data:"t="+encodeURIComponent(name)+"&d=1&s=null&k=1&b=null&h=null&u=null&v=1&y=null&z=null&token="+PageToken
                ,type:"POST"
                ,dataType:"text"
                ,timeout:1000
                ,error:function(e){
                    if(tryCount>3){
                        console.error("--QueryPinYin error--"+e);
                        run();
                        return;
                    };
                    tryCount++;
                    tryLoad();
                }
                ,success:function(txt){
                    txt=FixTrim(txt.replace(/<.+?>/g,"").replace(/\s+/g," "));
                    id.P=txt;
                    console.log("--"+idx_+"-QueryPinYin "+name+":"+txt+" --");
                    run();
                }
            });
        };
        tryLoad();
    };
    
    var thread=4;
    run();
    run();
    run();
    run();
};


var ViewDown=function(){
    console.log("完成："+(Date.now()-RunPinYin.T1)/1000+"秒");
    window.CITY_LIST_PINYIN=CITY_LIST2;
    var url=URL.createObjectURL(
        new Blob([
            new Uint8Array([0xEF,0xBB,0xBF])
            ,"var CITY_LIST_PINYIN="
            ,JSON.stringify(CITY_LIST2,null,"\t")
        ]
        ,{"type":"text/plain"})
    );
    var downA=document.createElement("A");
    downA.innerHTML="下載查詢好城市的文件";
    downA.href=url;
    downA.download="data-pinyin.txt";
    document.body.appendChild(downA);
    downA.click();
};

var RunPinYin=function(){
    RunPinYin.T1=Date.now();
    QueryPinYin(ViewDown);
};


//當即執行代碼
if(window.CITY_LIST){
    if(!PageToken){
        PageToken=prompt("Token");
    };
    RunPinYin();
}else{
    console.error("data.txt未輸入");
};

這時候會提示輸入token，把剛纔找到的token粘貼進去，而後就開始工做了：

還挺快的，2分鐘多點所有翻譯完成。

3. 格式化成CSV

數據所有有了，導出成比較正常使用的格式，CSV最好了。這個導出比較簡單，任意網頁控制檯把第二部保存的文件打開，複製數據到任意網頁控制檯，而後輸入如下代碼：

/*
格式而且輸出爲csv

先加載數據
    控制檯輸入data-pinyin.txt

導入數據庫：
    文件格式Unicode，文字爲字符流
    檢查id重複項，修正id
    轉入area_city
    增長港澳臺、海外兩個省級
    檢查名稱重複項，修正名稱
        select * from area_city where len(name)=1
        select pid,name,count(*) from area_city group by pid,name having COUNT(*)>1
*/

var FixTrim=function(name){
    return name.replace(/^\s+|\s+$/g,"");
};
function CSVName(name){
    return '"'+FixTrim(name).replace(/"/g,'""')+'"';
};

var CITY_CSV=["id,pid,deep,name,pinyin_prefix,pinyin,ext_id,ext_name"];
for(var i=0;i<CITY_LIST_PINYIN.length;i++){
    var o=CITY_LIST_PINYIN[i];
    var pf="";
    var pinyin=FixTrim(o.P).toLowerCase();
    var ps=pinyin.split(" ");
    for(var j=0;j<ps.length&&j<3;j++){
        pf+=ps[j].substr(0,j==0?2:1);
    };
    
    CITY_CSV.push(o.id+","+o.pid+","+o.deep+","+CSVName(o.name)
        +","+CSVName(pf)+","+CSVName(o.P)
        +","+CSVName(o.ext_id+"")+","+CSVName(o.ext_name));
};

var url=URL.createObjectURL(
    new Blob([
        new Uint8Array([0xEF,0xBB,0xBF])
        ,CITY_CSV.join("\n")
    ]
    ,{"type":"text/plain"})
);
var downA=document.createElement("A");
downA.innerHTML="下載查詢好城市的文件";
downA.href=url;
downA.download="ok_data.csv";
document.body.appendChild(downA);
downA.click();

OK，數據所有搞完：

數據問題

  1. id編號和國家統計局的編號基本一致，方便之後更新。

  2. id重複項目前是沒有（已優化過了），不過之前採集後直接對統計局的編號進行簡單縮短後會有重複現象（算是精度丟失）。

  3. 拼音前綴取的是第一個字前兩個字母和後兩個字首字母，意圖是讓第一個字相同名稱的儘可能能排序在一塊兒。排序1：黑龍江helj、湖北hub、湖南hun；排序2：湖北hb、黑龍江hlj、湖南hn，排序一勝出。

  4. 由於區名字是直接去掉市、區後綴，存在那麼幾對名字變得徹底同樣的，須要手動吧市區後綴加上，否則會產生小問題。

  5. 最終數據已上傳了一份到CSDN，含全部代碼和本文檔：http://download.csdn.net/download/xiangyuecn/10226964，GitHub下載最新數據

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程