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Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");
Elements rowPRovince= connect.select("table");
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： 1importjava.io.BufferedWriter;2importjava.io.File;3importjava.io.FileWriter;4importjava.io.IOException;5importjava.util.HashMap;6importjava.util.Map;78importorg.jsoup.Jsoup;9importorg.jsoup.nodes.Document;10importorg.jsoup.nodes.Element;11importorg.jsoup.select.Elements;1213/**14* 全国省市县镇村数据爬取15*@authorliushaofeng16* @date 2015-10-11 上午12:19:3917*@version1.0.018*/19publicclassJsoupTest20{21privatestaticMap<Integer, String>CSSMap =newHashMap<Integer, String>();22privatestaticBufferedWriter bufferedWriter =null;2324static25{26cssMap.put(1, "provincetr");//省27cssMap.put(2, "citytr");//市28cssMap.put(3, "countytr");//县29cssMap.put(4, "towntr");//镇30cssMap.put(5, "villagetr");//村31}3233publicstaticvoidmain(String[] args)throwsIOException34{35intlevel = 1;3637initFile();3839//获取全国各个省级信息40Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");41Elements rowProvince = connect.select("tr." +cssMap.get(level));42for(Element provinceElement : rowProvince)//遍历每一行的省份城市43{44Elements select = provinceElement.select("a");45for(Element province : select)//每一个省份(四川省)46{47parseNextLevel(province, level + 1);48}49}5051closeStream();52}5354privatestaticvoidinitFile()55{56try57{58bufferedWriter =newBufferedWriter(newFileWriter(newFile("d:\\CityInfo.txt"),true));59}catch(IOException e)60{61e.printStackTrace();62}63}6465privatestaticvoidcloseStream()66{67if(bufferedWriter !=null)68{69try70{71bufferedWriter.close();72}catch(IOException e)73{74e.printStackTrace();75}76bufferedWriter =null;77}78}7980privatestaticvoidparseNextLevel(Element parentElement,intlevel)throwsIOException81{82try83{84Thread.sleep(500);//睡眠一下，否则可能出现各种错误状态码85}catch(InterruptedException e)86{87e.printStackTrace();88}8990Document doc = connect(parentElement.attr("abs:href"));91if(doc !=null)92{93Elements newsHeadlines = doc.select("tr." + cssMap.get(level));//94//获取表格的一行数据95for(Element element : newsHeadlines)96{97printInfo(element, level + 1);98Elements 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99if(select.size() != 0)100{101parseNextLevel(select.last(), level + 1);102}103}104}105}106107/**108* 写一行数据到数据文件中去109*@paramelement 爬取到的数据元素110*@paramlevel 城市级别111*/112privatestaticvoidprintInfo(Element element,intlevel)113{114try115{116bufferedWriter.write(element.select("td").last().text() + "{" + level + "}["117+ element.select("td").first().text() + "]");118bufferedWriter.newLine();119bufferedWriter.flush();120}catch(IOException e)121{122e.printStackTrace();123}124}125126privatestaticDocument connect(String url)127{128if(url ==null||url.isEmpty())129{130thrownewIllegalArgumentException("The input url('" + url + "') is invalid!");131}132try133{134returnJsoup.connect(url).timeout(100 * 1000).get();135}catch(IOException e)136{137e.printStackTrace();138returnnull;139}140}141}
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....
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）：
市辖区{3}[110100000000]
东城区{4}[110101000000]
东华门街道办事处{5}[110101001000]
多福巷社区居委会{6}[110101001001]
银闸社区居委会{6}[110101001002]
东厂社区居委会{6}[110101001005]
智德社区居委会{6}[110101001006]
南池子社区居委会{6}[110101001007]
黄图岗社区居委会{6}[110101001008]
灯市口社区居委会{6}[110101001009]
正义路社区居委会{6}[110101001010]
甘雨社区居委会{6}[110101001011]
台基厂社区居委会{6}[110101001013]
韶九社区居委会{6}[110101001014]
王府井社区居委会{6}[110101001015]
景山街道办事处{5}[110101002000]
隆福寺社区居委会{6}[110101002001]
吉祥社区居委会{6}[110101002002]
黄化门社区居委会{6}[110101002003]
钟鼓社区居委会{6}[110101002004]
魏家社区居委会{6}[110101002005]
汪芝麻社区居委会{6}[110101002006]
景山东街社区居委会{6}[110101002008]
皇城根北街社区居委会{6}[110101002009]
交道口街道办事处{5}[110101003000]
交东社区居委会{6}[110101003001]
福祥社区居委会{6}[110101003002]
大兴社区居委会{6}[110101003003]
府学社区居委会{6}[110101003005]
鼓楼苑社区居委会{6}[110101003007]
菊儿社区居委会{6}[110101003008]
南锣鼓巷社区居委会{6}[110101003009]
安定门街道办事处{5}[110101004000]
交北头条社区居委会{6}[110101004001]
北锣鼓巷社区居委会{6}[110101004002]
国子监社区居委会{6}[110101004003]
......
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