Jsoup獲取全國地區(qū)數(shù)據(jù)屬性值(省市縣鎮(zhèn)村)
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
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2021-12-12springboot~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
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2021-09-09Spring 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