Jsoup獲取全國地區(qū)數(shù)據(jù)屬性值（省市縣鎮(zhèn)村）

2019-11-26 14:55:30

字體：大中小

供稿：網(wǎng)友

jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數(shù)據(jù)。

最近手頭在做一些東西，需要一個全國各地的地域數(shù)據(jù)，從省市區(qū)到縣鎮(zhèn)鄉(xiāng)街道的。各種度娘，各種谷歌，都沒找到一個完整的數(shù)據(jù)。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(shù)據(jù)，但是這里的數(shù)據(jù)也只是精確到鎮(zhèn)級別，沒有村一級的數(shù)據(jù)（后來通過分析數(shù)據(jù)源我知道了為什么，呵呵），在加上博主提供的有些數(shù)據(jù)存在冗余，對于有強迫癥和追求完美的我，心想著我一定要自己動手去把這部分數(shù)據(jù)給爬取出來。

　　上述博文中的內(nèi)容還算豐富，博主是用的是php來實現(xiàn)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，下面我就帶著大家一起來看看用java怎么從網(wǎng)頁當中爬取我們想要的數(shù)據(jù)...

第一步、準備工作（數(shù)據(jù)源+工具）:

　　數(shù)據(jù)源（截止目前最全面權(quán)威的官方數(shù)據(jù)）：http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/

　　爬取數(shù)據(jù)的工具（爬蟲工具）：http://jsoup.org/

第二步、數(shù)據(jù)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(fā)就應該多去了解一些軟件工具的使用，在平常開發(fā)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(shù)據(jù)源是2013年中華人民共和國國家統(tǒng)計局發(fā)布的，其準確性和權(quán)威性不言而喻。

　　接下來我們分析一下數(shù)據(jù)源的結(jié)構(gòu)，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?nèi)绻ㄟ^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(qū)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("Elements rowProvince = connect.select("table");

來解析數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)規(guī)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，至于為什么重要，請接著往下看；每一行數(shù)據(jù)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(shù)據(jù)頁面（一般的數(shù)據(jù)頁面包括市級、縣級、鎮(zhèn)級這三級數(shù)據(jù)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(fā)現(xiàn)，這三級數(shù)據(jù)的數(shù)據(jù)頁面完全一致，唯一不同的就是在html源碼數(shù)據(jù)表格中的數(shù)據(jù)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(shù)據(jù)爬取。　　

　　接下來我們分析一下數(shù)據(jù)源的結(jié)構(gòu)，先從首頁說起：　　

　　最后看看村一級的數(shù)據(jù)頁面：　

　　在村一級的數(shù)據(jù)中，和上述市縣鎮(zhèn)的數(shù)據(jù)格式不一致，這一級所表示的數(shù)據(jù)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(zhèn)數(shù)據(jù)的爬取方式去爬取；這里展示數(shù)據(jù)的表格行的class為villagetr，除開這兩點以外，在每一行數(shù)據(jù)中包含三列數(shù)據(jù)，第一列是citycode,第二列是城鄉(xiāng)分類（市縣鎮(zhèn)的數(shù)據(jù)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(xiàn)：

 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(zhèn)村數(shù)據(jù)爬取  * @author liushaofeng  * @date -- 上午::  * @version ..  */ public class JsoupTest {   private static Map<Integer, String> cssMap = new HashMap<Integer, String>();   private static BufferedWriter bufferedWriter = null;   static   {     cssMap.put(, "provincetr");// 省     cssMap.put(, "citytr");// 市     cssMap.put(, "countytr");// 縣     cssMap.put(, "towntr");// 鎮(zhèn)     cssMap.put(, "villagetr");// 村   }   public static void main(String[] args) throws IOException   {     int level = ;     initFile();     // 獲取全國各個省級信息     Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm//");     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 + );       }     }     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();//睡眠一下，否則可能出現(xiàn)各種錯誤狀態(tài)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(shù)據(jù)       for (Element element : newsHeadlines)       {         printInfo(element, level + );         Elements select = element.select("a");// 在遞歸調(diào)用的時候，這里是判斷是否是村一級的數(shù)據(jù)，村一級的數(shù)據(jù)沒有a標簽         if (select.size() != )         {           parseNextLevel(select.last(), level + );         }       }     }   }   /**   * 寫一行數(shù)據(jù)到數(shù)據(jù)文件中去   * @param element 爬取到的數(shù)據(jù)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( * ).get();     } catch (IOException e)     {       e.printStackTrace();       return null;     }   } }

數(shù)據(jù)爬取過程便是一個漫長的過程，只需要慢慢等待吧，呵呵,由于程序運行時間較長，請不要在控制臺打印輸出，否則可能會影響程序運行....

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