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：

1 import java.io.BufferedWriter;

2 import java.io.File;

3 import java.io.FileWriter;

4 import java.io.IOException;

5 import java.util.HashMap;

6 import java.util.Map;

7

8 import org.jsoup.Jsoup;

9 import org.jsoup.nodes.Document;

10 import org.jsoup.nodes.Element;

11 import org.jsoup.select.Elements;

12

13 /**

14 * 全国省市县镇村数据爬取

15 * @author liushaofeng

16 * @date 2015-10-11 上午12:19:39

17 * @version 1.0.0

18 */

19 public class JsoupTest

20 {

21 private static Map cssMap = new HashMap();

22 private static BufferedWriter bufferedWriter = null;

23

24 static

25 {

26 cssMap.put(1, "provincetr");// 省

27 cssMap.put(2, "citytr");// 市

28 cssMap.put(3, "countytr");// 县

29 cssMap.put(4, "towntr");// 镇

30 cssMap.put(5, "villagetr");// 村

31 }

32

33 public static void main(String[] args) throws IOException

34 {

35 int level = 1;

36

37 initFile();

38

39 // 获取全国各个省级信息

40 Document connect = connect("http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2013/");

41 Elements rowProvince = connect.select("tr." + cssMap.get(level));

42 for (Element provinceElement : rowProvince)// 遍历每一行的省份城市

43 {

44 Elements select = provinceElement.select("a");

45 for (Element province : select)// 每一个省份(四川省)

46 {

47 parseNextLevel(province, level + 1);

48 }

49 }

50

51 closeStream();

52 }

53

54 private static void initFile()

55 {

56 try

57 {

58 bufferedWriter = new BufferedWriter(new FileWriter(new File("d:\\CityInfo.txt"), true));

59 } catch (IOException e)

60 {

61 e.printStackTrace();

62 }

63 }

64

65 private static void closeStream()

66 {

67 if (bufferedWriter != null)

68 {

69 try

70 {

71 bufferedWriter.close();

72 } catch (IOException e)

73 {

74 e.printStackTrace();

75 }

76 bufferedWriter = null;

77 }

78 }

79

80 private static void parseNextLevel(Element parentElement, int level) throws IOException

81 {

82 try

83 {

84 Thread.sleep(500);//睡眠一下，否则可能出现各种错误状态码

85 } catch (InterruptedException e)

86 {

87 e.printStackTrace();

88 }

89

90 Document doc = connect(parentElement.attr("abs:href"));

91 if (doc != null)

92 {

93 Elements newsHeadlines = doc.select("tr." + cssMap.get(level));//

94 // 获取表格的一行数据

95 for (Element element : newsHeadlines)

96 {

97 printInfo(element, level + 1);

98 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

99 if (select.size() != 0)

100 {

101 parseNextLevel(select.last(), level + 1);

102 }

103 }

104 }

105 }

106

107 /**

108 * 写一行数据到数据文件中去

109 * @param element 爬取到的数据元素

110 * @param level 城市级别

111 */

112 private static void printInfo(Element element, int level)

113 {

114 try

115 {

116 bufferedWriter.write(element.select("td").last().text() + "{" + level + "}["

117 + element.select("td").first().text() + "]");

118 bufferedWriter.newLine();

119 bufferedWriter.flush();

120 } catch (IOException e)

121 {

122 e.printStackTrace();

123 }

124 }

125

126 private static Document connect(String url)

127 {

128 if (url == null || url.isEmpty())

129 {

130 throw new IllegalArgumentException("The input url('" + url + "') is invalid!");

131 }

132 try

133 {

134 return Jsoup.connect(url).timeout(100 * 1000).get();

135 } catch (IOException e)

136 {

137 e.printStackTrace();

138 return null;

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。