ae做网站导航/广州seo公司官网

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

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：

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：

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;
/*** 全国省市县镇村数据爬取* @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");// 县cssMap.put(, "towntr");// 镇cssMap.put(, "villagetr");// 村}public static void main(String[] args) throws IOException{int level = ;initFile();// 获取全国各个省级信息Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm//");Elements rowProvince = connect.select("tr." + cssMap.get(level));for (Element provinceElement : rowProvince)// 遍历每一行的省份城市{Elements select = provinceElement.select("a");for (Element province : select)// 每一个省份(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，否则可能出现各种错误状态码} catch (InterruptedException e){e.printStackTrace();}Document doc = connect(parentElement.attr("abs:href"));if (doc != null){Elements newsHeadlines = doc.select("tr." + cssMap.get(level));//// 获取表格的一行数据for (Element element : newsHeadlines){printInfo(element, level + );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if (select.size() != ){parseNextLevel(select.last(), level + );}}}}/*** 写一行数据到数据文件中去* @param element 爬取到的数据元素* @param level 城市级别*/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;}}
}

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。