关于java:实战省市区三级联动数据爬取

最近收到客服反馈，零碎的省市区数据如同不准，并且缺了一些地区。通过询问共事得悉，数据库内的数据是从老我的项目拷贝过去的，有些年头了。难怪会缺一些数据。正好最近在对接网商银行，发现网商提供了省市区的数据的接口。这就很难受了哇，抄起键盘就是干，很快的就把同步程序写好了。

而后在同步的过程中，发现网商提供的数据和数据库有些对不上。于是默默的关上 淘宝 和京东 增加收货地址，看看到底是谁错了。比照到前面发现都有些差别。这就很蛋疼了。看来这个时候谁都不能置信了，只能信国家了。于是我关上了 中华人民共和国民政部 网站来比对异样的数据。

比照的过程中，石锤网商数据不准。值得的是褒扬 淘宝 和京东 曾经同步了最新的数据了。然而呢，我并没有找到它们的数据接口。为了修改零碎的数据，只能本人爬取了。

爬取地址如下：

https://preview.www.mca.gov.c…

爬取原理很简略，就是解析 HTML 元素，而后获取到相应的属性值保留下来就好了。因为应用 Java 进行开发，所以选用 Jsoup 来实现这个工作。

<!-- HTML 解析器 -->
<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.13.1</version>
</dependency>

因为须要解析 HTML 能力取到数据，所以须要晓得数据存储在什么元素上。咱们能够关上 chrom 的控制台，而后选中对应的数据，即可查看存储数据的元素。

通过剖析，发现每一行数据都是存储在一个 <tr> 标签下。咱们须要的 区域码 和 区域名称 存储在第一和第二个 <td> 内。与此同时还要很多空白 <td> 标签，在编写代码是须要将其过滤掉。

先定义好咱们的爬取指标，以及 Area 实体类。

public class AreaSpider{

    // 爬取指标
    private static final String TARGET = "http://preview.www.mca.gov.cn/article/sj/xzqh/2020/2020/202101041104.html";

    @Data
    @AllArgsConstructor
    private static class Area {

        // 区域码
        private String code;

        // 区域名称
        private String name;

        // 父级
        private String parent;

    }
}

public static void main(String[] args) throws IOException{
  // 申请网页
  Jsoup.connect(TARGET).timeout(10000).get()
    // 筛选出 tr 标签
    .select("tr")
    // 筛选出 tr 下的 td 标签
    .forEach(tr -> tr.select("td")
    // 过滤 值为空的 td 标签
    .stream().filter(td -> StringUtils.isNotBlank(td.text()))
    // 输入后果
    .forEach(td -> System.out.println(td.text())));
}

解析后果

通过下面的代码，咱们曾经爬取到了页面上的数据。然而并没有达到咱们的预期，所以进一步解决将其转换为 Area 实体。

public static void main(String[] args) throws IOException{
  // 申请网页
  List<Area> areaList = Jsoup.connect(TARGET).timeout(10000).get()
    // 筛选出 tr 标签
    .select("tr")
    // 筛选出 tr 下的 td 标签
    .stream().map(tr -> tr.select("td")
    // 过滤 值为空的 td 标签，并转换为 td 列表
    .stream().filter(td -> StringUtils.isNotBlank(td.text())).collect(Collectors.toList()))
    // 后面提到，区域码和区域名称别离存储在 第一和第二个 td，所以过滤掉不符合规范的数据行。.filter(e -> e.size() == 2)
    // 转换为 area 对象
    .map(e -> new Area(e.get(0).text(), e.get(1).text(), "0")).collect(Collectors.toList());
  
    // 遍历数据
  areaList.forEach(area -> System.out.println(JSONUtil.toJsonStr(area)));
}

解析后果

至此，离咱们想要的数据还差了父级区域码，咱们能够通过区域码计算出来。以河北省为例：河北省:130000、石家庄市:130100、长安区:130102能够发现法则：0000 结尾是省份，00 是市。所以就有了如下代码：

private static String calcParent(String areaCode){
    // 省 - 针对第一行非凡解决
    if(areaCode.contains("0000") || areaCode.equals("行政区划代码")){
        return "0";
    // 市
    }else if (areaCode.contains("00")) {return String.valueOf(Integer.parseInt(areaCode) / 10000 * 10000);
    // 区
    }else {return String.valueOf(Integer.parseInt(areaCode) / 100 * 100);
    }
}

public class AreaSpider{

    // 爬取指标
    private static final String TARGET = "http://preview.www.mca.gov.cn/article/sj/xzqh/2020/2020/202101041104.html";

    @Data
    @AllArgsConstructor
    private static class Area{

        // 区域码
        private String code;

        // 区域名称
        private String name;

        // 父级
        private String parent;

    }

    public static void main(String[] args) throws IOException{
        // 申请网页
        List<Area> areaList = Jsoup.connect(TARGET).timeout(10000).get()
                // 筛选出 tr 标签
                .select("tr")
                // 筛选出 tr 下的 td 标签
                .stream().map(tr -> tr.select("td")
                // 过滤 值为空的 td 标签，并转换为 td 列表
                .stream().filter(td -> StringUtils.isNotBlank(td.text())).collect(Collectors.toList()))
                // 后面提到，区域码和区域名称别离存储在 第一和第二个 td，所以过滤掉不符合规范的数据行。.filter(e -> e.size() == 2)
                // 转换为 area 对象
                .map(e -> new Area(e.get(0).text(), e.get(1).text(), calcParent(e.get(0).text()))).collect(Collectors.toList());

        // 去除 第一行 "行政区划代码 | 单位名称"
        areaList.remove(0);

        areaList.forEach(area -> System.out.println(JSONUtil.toJsonStr(area)));
    }

    private static String calcParent(String areaCode){
        // 省 - 针对第一行非凡解决
        if(areaCode.contains("0000") || areaCode.equals("行政区划代码")){
            return "0";
        // 市
        }else if (areaCode.contains("00")) {return String.valueOf(Integer.parseInt(areaCode) / 10000 * 10000);
        // 区
        }else {return String.valueOf(Integer.parseInt(areaCode) / 100 * 100);
        }
    }
}

因为咱们须要的是省市区三级数据联动，然而了直辖市只有两级，所以咱们人工的给它加上一级。以北京市为例：变成了北京 -> 北京市 - > 东城区，对于其余的直辖市也是同样的解决逻辑。

修改好的数据奉上，有须要的小伙伴能够自取哦。

JSON-2020-11 县以上行政区划代码
SQL-2020-11 县以上行政区划代码

对于直辖市也能够做两级的，这个次要看产品的需要吧

总体来讲，这个爬虫比较简单，只有简略的几行代码。毕竟网站也没啥反扒的机制，所以很轻松的就拿到了数据。

嘿嘿话说，你都爬过哪些网站呢？

如果感觉对你有帮忙，能够多多评论，多多点赞哦，也能够到我的主页看看，说不定有你喜爱的文章，也能够顺手点个关注哦，谢谢。

我是不一样的科技宅，每天提高一点点，体验不一样的生存。咱们下期见！

关于java:实战省市区三级联动数据爬取

前言

锁定爬取指标

网页数据分析

定义根底代码

爬虫代码编写

代码优化

最终代码

数据修改

总结

结尾