抓取国家统计局全国区划代码

最近工作中需要用到全国区划代码,感觉国家统计局提供的数据比较权威,而且也算比较新(截止到2014年10月31日),所以打算把这些数据抓下来。

这是国家统计局提供的查询页面:http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2014/index.html

首先分析下页面

<table class='provincetable' width=775>
    <tr>
        <td colspan=8 height=1 style='FONT-SIZE: 5px'>&nbsp;</td>
    </tr>
    <tr class='provincehead'>
        <td colspan=8 align='center' style='FONT-SIZE: 16px' height=39 vAlign='center' background='images/tiao.jpg'>
            <strong>2014年统计用区划代码和城乡划分代码(截止2014年10月31日)</strong></td>
    </tr>
    <tr>
        <td colspan=8 height=50 style='FONT-SIZE: 12px'>   统计用区划代码和城乡划分代码说明:统计用区划代码和城乡划分代码所涉及的数据,是国家统计局开展统计调查所涉及的区划范围,未包括我国台湾省、香港特别行政区、澳门特别行政区。
            <br>
        </td>
    </tr>
    <tr class='provincetr'>
        <td><a href='11.html'>北京市<br/></a></td>
        <td><a href='12.html'>天津市<br/></a></td>
        <td><a href='13.html'>河北省<br/></a></td>
        <td><a href='14.html'>山西省<br/></a></td>
        <td><a href='15.html'>内蒙古自治区<br/></a></td>
        <td><a href='21.html'>辽宁省<br/></a></td>
        <td><a href='22.html'>吉林省<br/></a></td>
        <td><a href='23.html'>黑龙江省<br/></a></td>
    </tr>
。。。 </table>

页面比较干净,用jsoup解析没有什么困难,所有的地区信息都是放在一个table中的,但是会有几点不同,第一,一级地区信息是从第四个tr开始的,其它等级的地区信息是从第二个tr开始的;第二,每一级地区信息的tr的class不一致;第三,最后一级地区以及市辖区td中的子元素不一致。

由于大部分地区信息的样式都是相同,所以可以有一个大致的思路,可以将全国的地区信息看做成一棵树,比如我们可以将中国看做是这棵树的根节点,然后遍历这棵树,将节点依次插入。

所以节点要定义name也就是地区名,id地区代码,childNodes该地区的下一级地区节点,还有一个就是url,我们利用url访问页面。

有了这个思路我们便可以进行遍历了。

PageFetcher根据url抓取得到页面,ContentParser页面解析器解析页面。

要将节点插入树中,我们首先要构造一个带有子节点的根节点,然后递归遍历所有节点。

由于从页面中取到的链接是一个相对路径,所以我们需要将该链接拼接成一个完整的url,并通过递归传递,当该节点的url为空并且该节点代码的第7位到第10位的值为000时,说明该节点为叶子节点,就会跳出循环不再往下递归。

    public void loadRegionNode(RegionNode regionNode, String superUrl) {

        String url = subUrl(superUrl) + regionNode.getUrl();

        FetchedPage fetchedPage = pageFetcher.getContentFromUrl(url);

        List<RegionNode> list;
        //首页数据已经预先加载
        if (regionNode.getChildNode() == null) {

            list = contentParser.parseHTML(fetchedPage);

        } else {
            list = regionNode.getChildNode();
        }

        //当list为null时则可能遍历到叶子节点
        if (list != null && list.size() > 0) {

            //将子节点插入
            regionNode.setChildNode(list);

            for (RegionNode node : list) {
                //该节点为叶子节点且为最后一级
                if(node.getUrl() == null && !node.getId().substring(6,12).equals("000000") ){
                    break;
                }

                loadRegionNode(node, url);
            }
        }
    }

根据各级地区页面样式的不同,可以利用jsoup定义一个页面解析器,不同等级的地区使用不同的解析策略,所以可以在ContentParser中进行判断,分别解析

    public static List<RegionNode> parseHTML(FetchedPage fetchedPage) {
        //当抓取的页面为空或者返回状态码不是200返回空
        if (fetchedPage == null || fetchedPage.getStatusCode() != 200) {
            return null;
        }
        List<RegionNode> regionNodeList = new ArrayList<RegionNode>();
        Document doc = Jsoup.parse(fetchedPage.getContent());
        //获取当前页面中的地区节点
        Elements tableSet = doc.getElementsByTag("TABLE");
        Element regionTable = tableSet.get(4);
        Elements trSet = regionTable.getElementsByTag("tr");
        for (int i = 1; i < trSet.size(); i++) {
            Element tr = trSet.get(i);
            Elements elements = tr.getAllElements();

            //当子元素数量等于3时,说明为没有子节点的市辖区
            if (elements.size() == 3) {
                Element codeTdTag = elements.get(1);
                Element nameTdTag = elements.get(2);
                String name = nameTdTag.text();
                String code = codeTdTag.text();
                RegionNode regionNode = new RegionNode();
                regionNode.setRegionName(name);
                regionNode.setId(code);
                regionNodeList.add(regionNode);
                System.out.println("code:"+code+";name:"+name);
                continue;
            }

            //当子元素数量等于4时,说明为叶子节点
            if (elements.size() == 4) {
                Element codeTdTag = elements.get(1);
                Element nameTdTag = elements.get(3);
                String name = nameTdTag.text();
                String code = codeTdTag.text();
                RegionNode regionNode = new RegionNode();
                regionNode.setRegionName(name);
                regionNode.setId(code);
                regionNodeList.add(regionNode);
                System.out.println("code:"+code+";name:"+name);
                continue;
            }
            Element codeATag = elements.get(2);
            Element nameATag = elements.get(4);
            String href = codeATag.attr("href");
            String code = codeATag.text();
            String name = nameATag.text();
            RegionNode regionNode = new RegionNode();
            regionNode.setId(code);
            regionNode.setRegionName(name);
            regionNode.setUrl(href);
            regionNodeList.add(regionNode);
            System.out.println("code:"+code+";name:"+name+";href:"+href);
        }
        return regionNodeList;
    }

大概需要等待一个小时,一个完整的树形结构的地区信息就抓取完成了,然后我们可以根据需要保存成json或者xml文件,或者直接保存到数据库中。

源码已经上传到我的github:https://github.com/richie0x1/regionSpider, 编译即可运行,数据是以json格式保存的。

posted @ 2016-05-13 16:11  rk0x1  阅读(3773)  评论(0编辑  收藏  举报