「原创」如何快速获取银行、联行号的数据？

前言

经过一段时间的加班，终于是把项目熬上线了。本以为可以轻松一点，但往往事与愿违，出现了各种各样的问题。由于做的是POS前置交易系统，涉及到和商户进件以及交易相关的业务，需要向上游支付机构上送“联行号”，但是由于系统内的数据不全，经常出现找不到银行或者联行号有误等情况，导致无法进件。

为了解决这个问题，我找上游机构要了一份支行信息。好家伙，足足有14w条记录。在导入系统时，发现有一些异常的数据。有些是江西的银行，地区码竟然是北京的。经过一段时间排查，发现这样的数据还挺多的。这可愁死我了，本来偷个懒，等客服反馈的时候，出现一条修一条。

经过2分钟的思考，想到以后每天都要修数据，那不得烦死。于是长痛不如短痛，还不如一次性修了。然后我反手就打开了百度，经过一段时间的遨游。发现下面3个网站的支行信息比较全，准备用来跟系统内数据作对比，然后进行修正。

http://www.jsons.cn/banknum/
http://www.5cm.cn/bank/支行编号/
https://www.appgate.cn/branch/bankBranchDetail/支行编号

分析网站

输入联行号，然后选择查询方式，点击开始查询就可以。但是呢，结果页面一闪而过，然后被广告页面给覆盖了，这个时候就非常你的手速了。对于这样的，自然是难不倒我。从前端的角度分析，很明显展示结果的table标签被隐藏了，用来显示广告。于是反手就是打开控制台，查看源代码。

经过一顿搜寻，终于是找到了详情页的地址。

通过上面的操作，我们要想爬到数据，需要做两步操作。先输入联行号进行查询，然后进去详情页，才能取到想要的数据。所以第一步需要先获取查询的接口，于是我又打开了熟悉的控制台。

从上图可以发现这些请求都是在获取广告，并没有发现我们想要的接口，这个是啥情况，难道凭空变出来的嘛。并不是，主要是因为这个网站不是前后端分离的，所以这个时候我们需要从它的源码下手。

<html><body><form id="form1" class="form-horizontal" action="/banknum/" method="post"> <div class="form-group"> <label class="col-sm-2 control-label"> 关键词：</label> <div class="col-sm-10"> <input class="form-control" type="text" id="keyword" name="keyword" value="102453000160"  placeholder="请输入查询关键词，例如：中关村支行" maxlength="50" /> </div> </div> <div class="form-group"> <label class="col-sm-2 control-label"> 搜索类型：</label> <div class="col-sm-10"> <select class="form-control" id="txtflag" name="txtflag"> <option value="0">支行关键词</option><option value="1" selected="">银行联行号</option><option value="2">支行网点地址</option> </select> </div> </div> <div class="form-group"> <label class="col-sm-2 control-label"> </label> <div class="col-sm-10"> <button type="submit" class="btn btn-success"> 开始查询</button> <a href="/banknum/" class="btn btn-danger">清空输入框</a> </div> </div> </form></body>
</html>

通过分析代码可以得出：

请求地址：http://www.jsons.cn/banknum/
请求方式：POST
请求参数：
- keyword: 联行号
- txtflag :1

我们可以用PostMan来验证一下接口是否有效，验证结果如下图所示：

剩下的两个网站相对比较简单，只需要更改相应的联行号，进行请求就可以获取到相应的数据，所以这里不过多赘述。

爬虫编写

经过上面的分析了，已经取到了我们想要的接口，可谓是万事俱备，只欠代码了。爬取原理很简单，就是解析HTML元素，然后获取到相应的属性值保存下来就好了。由于使用Java进行开发，所以选用Jsoup来完成这个工作。

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

由于单个网站的数据可能不全，所以我们需要逐个进行抓取。先抓取第一个，如果抓取不到，则抓取下一个网站，这样依次进行下去。这样的业务场景，我们可以使用变种的责任链设计模式来进行代码的编写。

BankBranchVO支行信息

@Data
@Builder
public class BankBranchVO {/*** 支行名称*/private String bankName;/*** 联行号*/private String bankCode;/*** 省份*/private String provName;/*** 市*/private String cityName;}

BankBranchSpider抽象类

public abstract class BankBranchSpider {/*** 下一个爬虫*/private BankBranchSpider nextSpider;/*** 解析支行信息** @param bankBranchCode 支行联行号* @return 支行信息*/protected abstract BankBranchVO parse(String bankBranchCode);/*** 设置下一个爬虫** @param nextSpider 下一个爬虫*/public void setNextSpider(BankBranchSpider nextSpider) {this.nextSpider = nextSpider;}/*** 使用下一个爬虫* 根据爬取的结果进行判定是否使用下一个网站进行爬取** @param vo 支行信息* @return true 或者 false*/protected abstract boolean useNextSpider(BankBranchVO vo);/*** 查询支行信息** @param bankBranchCode 支行联行号* @return 支行信息*/public BankBranchVO search(String bankBranchCode) {BankBranchVO vo = parse(bankBranchCode);while (useNextSpider(vo) && this.nextSpider != null) {vo = nextSpider.search(bankBranchCode);}if (vo == null) {throw new SpiderException("无法获取支行信息：" + bankBranchCode);}return vo;}}

针对不同的网站解析方式不太一样，简言之就是获取HTML标签的属性值，对于这步可以有很多种方式实现，下面贴出我的实现方式，仅供参考。

JsonCnSpider

@Slf4j
public class JsonCnSpider extends BankBranchSpider {/*** 爬取URL*/private static final String URL = "http://www.jsons.cn/banknum/";@Overrideprotected BankBranchVO parse(String bankBranchCode) {try {log.info("json.cn-支行信息查询：{}", bankBranchCode);// 设置请求参数Map<String, String> map = new HashMap<>(2);map.put("keyword", bankBranchCode);map.put("txtflag", "1");// 查询支行信息Document doc = Jsoup.connect(URL).data(map).post();Elements td = doc.selectFirst("tbody").selectFirst("tr").select("td");if (td.size() < 3) {return null;}// 获取详情urlString detailUrl = td.get(3).selectFirst("a").attr("href");if (StringUtil.isBlank(detailUrl)) {return null;}log.info("json.cn-支行详情-联行号:{}, 详情页:{}", bankBranchCode, detailUrl);// 获取详细信息Elements footers = Jsoup.connect(detailUrl).get().select("blockquote").select("footer");String bankName = footers.get(1).childNode(2).toString();String bankCode = footers.get(2).childNode(2).toString();String provName = footers.get(3).childNode(2).toString();String cityName = footers.get(4).childNode(2).toString();return BankBranchVO.builder().bankName(bankName).bankCode(bankCode).provName(provName).cityName(cityName).build();} catch (IOException e) {log.error("json.cn-支行信息查询失败:{}, 失败原因:{}", bankBranchCode, e.getLocalizedMessage());return null;}}@Overrideprotected boolean useNextSpider(BankBranchVO vo) {return vo == null;}}

FiveCmSpider

@Slf4j
public class FiveCmSpider extends BankBranchSpider {/*** 爬取URL*/private static final String URL = "http://www.5cm.cn/bank/%s/";@Overrideprotected BankBranchVO parse(String bankBranchCode) {log.info("5cm.cn-查询支行信息：{}", bankBranchCode);try {Document doc = Jsoup.connect(String.format(URL, bankBranchCode)).get();Elements tr = doc.select("tr");Elements td = tr.get(0).select("td");if ("".equals(td.get(1).text())) {return null;}String bankName = doc.select("h1").get(0).text();String provName = td.get(1).text();String cityName = td.get(3).text();return BankBranchVO.builder().bankName(bankName).bankCode(bankBranchCode).provName(provName).cityName(cityName).build();} catch (IOException e) {log.error("5cm.cn-支行信息查询失败:{}, 失败原因:{}", bankBranchCode, e.getLocalizedMessage());return null;}}@Overrideprotected boolean useNextSpider(BankBranchVO vo) {return vo == null;}}

AppGateSpider

@Slf4j
public class AppGateSpider extends BankBranchSpider {/*** 爬取URL*/private static final String URL = "https://www.appgate.cn/branch/bankBranchDetail/";@Overrideprotected BankBranchVO parse(String bankBranchCode) {try {log.info("appgate.cn-查询支行信息：{}", bankBranchCode);Document doc = Jsoup.connect(URL + bankBranchCode).get();Elements tr = doc.select("tr");String bankName = tr.get(1).select("td").get(1).text();if(Boolean.FALSE.equals(StringUtils.hasText(bankName))){return null;}String provName = tr.get(2).select("td").get(1).text();String cityName = tr.get(3).select("td").get(1).text();return BankBranchVO.builder().bankName(bankName).bankCode(bankBranchCode).provName(provName).cityName(cityName).build();} catch (IOException e) {log.error("appgate.cn-支行信息查询失败:{}, 失败原因:{}", bankBranchCode, e.getLocalizedMessage());return null;}}@Overrideprotected boolean useNextSpider(BankBranchVO vo) {return vo == null;}
}

初始化爬虫

@Component
public class BankBranchSpiderBean {@Beanpublic BankBranchSpider bankBranchSpider() {JsonCnSpider jsonCnSpider = new JsonCnSpider();FiveCmSpider fiveCmSpider = new FiveCmSpider();AppGateSpider appGateSpider = new AppGateSpider();jsonCnSpider.setNextSpider(fiveCmSpider);fiveCmSpider.setNextSpider(appGateSpider);return jsonCnSpider;}
}

爬取接口

@RestController
@AllArgsConstructor
@RequestMapping("/bank/branch")
public class BankBranchController {private final BankBranchSpider bankBranchSpider;/*** 查询支行信息** @param bankBranchCode 支行联行号* @return 支行信息*/@GetMapping("/search/{bankBranchCode}")public BankBranchVO search(@PathVariable("bankBranchCode") String bankBranchCode) {return bankBranchSpider.search(bankBranchCode);}}

演示

爬取成功

爬取失败的情况

代码地址

https://gitee.com/huangxunhui/java-spider-data.git

总结

这个爬虫的难点主要是在于Jsons.cn。因为数据接口被隐藏在代码里面，所以想取到需要花费一些时间。并且请求地址和页面地址一致，只是请求方式不一样，容易被误导。比较下来其他的两个就比较简单，直接替换联行号就可以了，还有就是这个三个网站也没啥反扒的机制，所以很轻松的就拿到了数据。

往期回顾

实战省市区三级联动数据爬取

结尾

如果觉得对你有帮助，可以多多评论，多多点赞哦，也可以到我的主页看看，说不定有你喜欢的文章，也可以随手点个关注哦，谢谢。

我是不一样的科技宅，每天进步一点点，体验不一样的生活。我们下期见！