欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

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

 更新時(shí)間:2015年10月14日 11:41:59   作者:liushaofeng.cn  
這篇文章主要介紹了Jsoup獲取全國地區(qū)數(shù)據(jù)屬性值(省市縣鎮(zhèn)村)的相關(guān)資料,需要的朋友可以參考下

jsoup 是一款Java 的HTML解析器,可直接解析某個(gè)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(gè)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(gè)完整的數(shù)據(jù)。最后功夫不負(fù)有心人,總算找到一份相對(duì)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(jí)別,沒有村一級(jí)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(duì)于有強(qiáng)迫癥和追求完美的我,心想著我一定要自己動(dòng)手去把這部分?jǐn)?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(shí)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(dāng)中爬取我們想要的數(shù)據(jù)...

第一步、準(zhǔn)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(dòng)手去查閱。

  做開發(fā)就應(yīng)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(lì)大家多平時(shí)留意一些身邊的軟件工具,以備不時(shí)之需。在做這個(gè)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(shí)候,再去查閱資料,自己學(xué)習(xí)。

  上述的數(shù)據(jù)源是2013年中華人民共和國國家統(tǒng)計(jì)局發(fā)布的,其準(zhǔn)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(diǎn):

1.頁面的整個(gè)布局是用的table標(biāo)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(biāo)注了省市地區(qū)的地方采用的才是表格,整個(gè)頁面中存在多個(gè)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(hào)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(gè)class屬性provincetr,這個(gè)屬性很重要,至于為什么重要,請(qǐng)接著往下看;每一行數(shù)據(jù)中存在多個(gè)td標(biāo)簽,每一個(gè)td標(biāo)簽中包含一個(gè)a超鏈接,而這個(gè)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?cè)倏匆幌乱话愕臄?shù)據(jù)頁面(一般的數(shù)據(jù)頁面包括市級(jí)、縣級(jí)、鎮(zhèn)級(jí)這三級(jí)數(shù)據(jù)展示頁面):

  之所以要把上述三個(gè)頁面放在一起,是因?yàn)橥ㄟ^分析我們可以發(fā)現(xiàn),這三級(jí)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(duì)應(yīng)為:citytr,countrytrhe towntr。其他均一致。這樣我們就可以用一個(gè)通用的方法解決這三個(gè)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(jí)的數(shù)據(jù)頁面:  

 

   在村一級(jí)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(jí)所表示的數(shù)據(jù)是最低一級(jí)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??;這里展示數(shù)據(jù)的表格行的class為villagetr,除開這兩點(diǎn)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(xiàng)),第三列是城市名稱。

   把握了以上各個(gè)要點(diǎn)之外,我們就可以開始編碼了。

第三步、編碼實(shí)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(gè)省級(jí)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(gè)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(cuò)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(shí)候,這里是判斷是否是村一級(jí)的數(shù)據(jù),村一級(jí)的數(shù)據(jù)沒有a標(biāo)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(jí)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(gè)漫長的過程,只需要慢慢等待吧,呵呵,由于程序運(yùn)行時(shí)間較長,請(qǐng)不要在控制臺(tái)打印輸出,否則可能會(huì)影響程序運(yùn)行....

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

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

......

拿到以上數(shù)據(jù)以后,自己想干什么都可以自我去實(shí)現(xiàn)了,以上的代碼可以直接運(yùn)行,從數(shù)據(jù)源爬取后,可以直接轉(zhuǎn)換成自己所要的格式。

相關(guān)文章

  • Java截取url參數(shù)的方法

    Java截取url參數(shù)的方法

    本文給大家?guī)砹薺ava截取url參數(shù),url值得方法,代碼簡單易懂,非常不錯(cuò),具有參考借鑒價(jià)值,感興趣的朋友一起學(xué)習(xí)吧
    2016-08-08
  • sqlserver和java將resultSet中的記錄轉(zhuǎn)換為學(xué)生對(duì)象

    sqlserver和java將resultSet中的記錄轉(zhuǎn)換為學(xué)生對(duì)象

    這篇文章主要介紹了如何利用sqlserver和java將resultSet中的記錄轉(zhuǎn)換為學(xué)生對(duì)象,附有超詳細(xì)的代碼,需要的朋友可以參考一下,希望對(duì)你有所幫助
    2021-12-12
  • springboot~ObjectMapper~dto到entity的自動(dòng)賦值

    springboot~ObjectMapper~dto到entity的自動(dòng)賦值

    這篇文章主要介紹了springboot~ObjectMapper~dto到entity的自動(dòng)賦值,本文分三種情況給大家介紹,需要的朋友可以參考下
    2018-08-08
  • 使用spring通過aop獲取方法參數(shù)和參數(shù)值

    使用spring通過aop獲取方法參數(shù)和參數(shù)值

    這篇文章主要介紹了使用spring通過aop獲取方法參數(shù)和參數(shù)值,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2021-09-09
  • 利用Spring Boot操作MongoDB的方法教程

    利用Spring Boot操作MongoDB的方法教程

    mongodb是最早熱門非關(guān)系數(shù)據(jù)庫的之一,使用也比較普遍,一般會(huì)用做離線數(shù)據(jù)分析來使用,放到內(nèi)網(wǎng)的居多,下面這篇文章主要給大家介紹了利用Spring Boot操作MongoDB的方法教程,需要的朋友可以參考下
    2017-05-05
  • Java線程狀態(tài)運(yùn)行原理解析

    Java線程狀態(tài)運(yùn)行原理解析

    這篇文章主要介紹了Java線程狀態(tài)運(yùn)行原理解析,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2019-12-12
  • Java中Scanner使用方式:單行/多行輸入

    Java中Scanner使用方式:單行/多行輸入

    這篇文章主要介紹了Java中Scanner使用方式:單行/多行輸入,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-05-05
  • java8中l(wèi)amba表達(dá)式的使用

    java8中l(wèi)amba表達(dá)式的使用

    這篇文章主要介紹了java8中l(wèi)amba表達(dá)式的使用,非常不錯(cuò),具有參考借鑒價(jià)值,需要的朋友可以參考下
    2017-02-02
  • Java并發(fā)編程之CountDownLatch解讀

    Java并發(fā)編程之CountDownLatch解讀

    這篇文章主要介紹了Java并發(fā)編程之CountDownLatch解讀,是通過一個(gè)計(jì)數(shù)器來實(shí)現(xiàn)的,計(jì)數(shù)器的初始值是線程的數(shù)量,countDownLatch這個(gè)類使一個(gè)線程等待其他線程各自執(zhí)行完畢后再執(zhí)行,需要的朋友可以參考下
    2023-12-12
  • Spring mvc 實(shí)現(xiàn)用戶登錄的方法(攔截器)

    Spring mvc 實(shí)現(xiàn)用戶登錄的方法(攔截器)

    這篇文章主要介紹了Spring mvc 實(shí)現(xiàn)用戶登錄的方法(攔截器),小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧
    2018-07-07

最新評(píng)論