Go语言视频零基础入门到精通

admin

　　最近手头在做一些东西，需要一个全国各地的地域数据，从省市区到县镇乡街道的。各种度娘，各种谷歌，都没找到一个完整的数据。最后功夫不负有心人，总算找到一份相对来说比较完整的数据，但是这里的数据也只是精确到镇级别，没有村一级的数据（后来通过分析数据源我知道了为什么，呵呵），在加上博主提供的有些数据存在冗余，对于有强迫症和追求完美的我，心想着我一定要自己动手去把这部分数据给爬取出来。
　　上述博文中的内容还算丰富，博主是用的是php来实现的，作为2015年度编程语言排行榜的第一位，我们也不能示弱啊，下面我就带着大家一起来看看用java怎么从网页当中爬取我们想要的数据...
第一步、准备工作（数据源+工具）:
　　数据源（截止目前最全面权威的官方数据）：http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/
　　爬取数据的工具（爬虫工具）：http://jsoup.org/
第二步、数据源分析：
　　首先jsoup工具的使用我在这里就不做讲解了，感兴趣的可以自己动手去查阅。
　　做开发就应该多去了解一些软件工具的使用，在平常开发过程中遇到了才知道从何下手，鼓励大家多平时留意一些身边的软件工具，以备不时之需。在做这个东西以前，我也不知道jsoup要怎么用，但我知道jsoup可以用来干嘛，在我需要的用到的时候，再去查阅资料，自己学习。
   
　　上述的数据源是2013年中华人民共和国国家统计局发布的，其准确性和权威性不言而喻。
　　接下来我们分析一下数据源的结构，先从首页说起： 　　
　　通过分析首页源码我们可以得到如下3点：
  
  页面的整个布局是用的table标签来控制的，也就是说我们如果要通过jsoup来选择超链接，那么一定要注意，上图中不是只要标注了省市地区的地方采用的才是表格，整个页面中存在多个表格，因此是不可以直接通过表格
   
   

1. Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");
2. Elements rowProvince = connect.select("table");

复制代码

    来解析数据的。  
  页面中有超链接的部分有多少地方。可能是官方考虑到了你们这种程序员需要获取这样的数据的原因吧，页面很干净，除开下方的备案号是多余的超链接，其他的链接可以直接爬取。
  省份城市的数据规律。包含有效信息的表格的每一行都有一个class属性provincetr,这个属性很重要，至于为什么重要，请接着往下看；每一行数据中存在多个td标签，每一个td标签中包含一个a超链接，而这个超链接正是我们想要的超链接，超链接的文本即使省份（直辖市等）的名称。
  
  　　
　　再次我们再看一下一般的数据页面（一般的数据页面包括市级、县级、镇级这三级数据展示页面）：
　　之所以要把上述三个页面放在一起，是因为通过分析我们可以发现，这三级数据的数据页面完全一致，唯一不同的就是在HTML源码数据表格中的数据行tr的class属性不一致，分别对应为：citytr,countrytrhe towntr。其他均一致。这样我们就可以用一个通用的方法解决这三个页面的数据爬取。　　
　　
　　最后看看村一级的数据页面： 　　
  　　在村一级的数据中，和上述市县镇的数据格式不一致，这一级所表示的数据是最低一级的，所以不存在a链接，因此不能采用上面市县镇数据的爬取方式去爬取；这里展示数据的表格行的class为villagetr，除开这两点以外，在每一行数据中包含三列数据，第一列是citycode,第二列是城乡分类（市县镇的数据格式不存在这一项），第三列是城市名称。
  　　把握了以上各个要点之外，我们就可以开始编码了。
第三步、编码实现：  

   
  

   
  
  
   
  

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;
8. import org.jsoup.Jsoup;
9. import org.jsoup.nodes.Document;
10. import org.jsoup.nodes.Element;
11. import org.jsoup.select.Elements;
13. /**
14. * 全国省市县镇村数据爬取
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;
24.     static
25.     {
26.         cssMap.put(1, "provincetr");// 省
27.         cssMap.put(2, "citytr");// 市
28.         cssMap.put(3, "countytr");// 县
29.         cssMap.put(4, "towntr");// 镇
30.         cssMap.put(5, "villagetr");// 村
31.     }
33.     public static void main(String[] args) throws IOException
34.     {
35.         int level = 1;
37.         initFile();
39.         // 获取全国各个省级信息
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)// 遍历每一行的省份城市
43.         {
44.             Elements select = provinceElement.select("a");
45.             for (Element province : select)// 每一个省份(四川省)
46.             {
47.                 parseNextLevel(province, level + 1);
48.             }
49.         }
51.         closeStream();
52.     }
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.     }
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.     }
80.     private static void parseNextLevel(Element parentElement, int level) throws IOException
81.     {
82.         try
83.         {
84.             Thread.sleep(500);//睡眠一下，否则可能出现各种错误状态码
85.         } catch (InterruptedException e)
86.         {
87.             e.printStackTrace();
88.         }
90.         Document doc = connect(parentElement.attr("abs:href"));
91.         if (doc != null)
92.         {
93.             Elements newsHeadlines = doc.select("tr." + cssMap.get(level));//
94.             // 获取表格的一行数据
95.             for (Element element : newsHeadlines)
96.             {
97.                 printInfo(element, level + 1);
98.                 Elements select = element.select("a");// 在递归调用的时候，这里是判断是否是村一级的数据，村一级的数据没有a标签
99.                 if (select.size() != 0)
100.                 {
101.                     parseNextLevel(select.last(), level + 1);
102.                 }
103.             }
104.         }
105.     }
107.     /**
108.      * 写一行数据到数据文件中去
109.      * @param element 爬取到的数据元素
110.      * @param level 城市级别
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.     }
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. }

复制代码

   
   
  

1. 数据爬取过程便是一个漫长的过程，只需要慢慢等待吧，呵呵,由于程序运行时间较长，请不要在控制台打印输出，否则可能会影响程序运行....

复制代码

最终获取到数据的格式如下（"{}"中表示城市级别，"[]"中内容表示城市编码）：

拿到以上数据以后，自己想干什么都可以自我去实现了，以上的代码可以直接运行，从数据源爬取后，可以直接转换成自己所要的格式。
后续处理的最终结果，请参见博文：http://www.cnblogs.com/liushaofeng89/p/4937714.html
   
如果你觉得本博文对你有所帮助，请记得点击右下方的"推荐"哦，么么哒...
  转载请注明出处：http://www.cnblogs.com/liushaofeng89/p/4873086.html