为了不复制粘贴,我被逼着学会了JAVA爬虫

整理了一些Java方面的架构、面试资料(微服务、集群、分布式、中间件等),有需要的小伙伴可以关注公众号【程序员内点事】,无套路自行领取

本文作者:程序员内点事
更多精选

写在前边

受疫情影响一直在家远程办公,公司业务进展的缓慢,老实讲活并没有那么多,每天吃饭、睡觉、逛技术社区、写博客,摸鱼摸得爽的很。早上本来还想在来个回笼觉,突然部门经理的语音消息就过来了,甩给我一个连接地址 http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2018/,要我把全国的省市名称和区域代码弄出来,建一个字典表,时限一上午。
在这里插入图片描述

分下一下需求

要全国的省、市名称,建一张字典表进行存储,表结构设计相对容易,那么城市数据该怎么搞?

有两种解决办法:

  1. 辛苦点复制粘贴,说多了也就几百个而已

  2. 写个爬虫工具,一劳永逸

但作为一个程序员没有什么是不能用程序解决的,虽然工作Ctrl+CCtrl+V用的不少,像这种没有技术含量的复制粘贴还是挺丢面子的。

爬虫搞起

基于这个需求只想要城市名称,爬虫工具选的是Jsoup,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。

Jsoup是根据HTML页面的<body><td><tr>等标签来获取文本内容的,所以先分析一下目标页面结构。打开F12查看页面结构发现,我们要的目标数据在第5个<tbody>标签 class 属性为provincetr<tr> 标签里。
在这里插入图片描述
省份名称内容的页面结构如下:

<tr class="provincetr">
     <td>
        <a href="11.html">北京市<br></a>
     </td>
     <td>
         <a href="12.html">天津市<br>
     </td>
     .........
</tr>

再拿到<td>标签中<a>标签属性就可以了,省份名称找到了,再看看省对应的城市名在哪里,属性href="11.html" 就是省份下对应的城市页面Url http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2018/11.html

找城市名称跟上边分析过程一样,这里就不再赘述了,既然数据位置已经确定了,那么就开始具体的爬取工作了。

在这里插入图片描述

爬虫实现

1、引入Jsoup依赖
<dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.7.3</version>
</dependency>
2、代码编写

代码的实现比较简单就两个方法而已,没有什么难度主要是得细心,捋清页面标签的嵌套结构就可以了。按照之前分析的逻辑一步一步走

/**
     * @author xin
     * @description 解析省份
     * @date 2019/11/4 19:24
     */
    public static void parseProvinceName(Map<String, Map<String, String>> map, String url) throws IOException {

        /**
         * 获取页面文档数据
         */
        Document doc = Jsoup.connect(url).get();

        /**
         * 获取页面上所有的tbody标签
         */
        Elements elements = doc.getElementsByTag("tbody");

        /**
         * 拿到第五个tbody标签
         */
        Element element = elements.get(4);

        /**
         * 拿到tbody标签下所有的子标签
         */
        Elements childrens = element.children();

        /**
         * 当前页面的URL
         */
        String baseUri = element.baseUri();

        for (Element element1 : childrens) {
        
            Elements provincetrs = element1.getElementsByClass("provincetr");
            
            for (Element provincetr : provincetrs) {
            
                Elements tds = provincetr.getElementsByTag("td");
                for (Element td : tds) {

                    String provinceName = td.getElementsByTag("a").text();
                    String href = td.getElementsByTag("a").attr("href");

                    System.out.println(provinceName + "    " + baseUri + "/" + href);

                    map.put(provinceName, null);
                    /**
                      * 组装城市页面的URL,进入城市页面爬城市名称
                      */
                    parseCityName(map, baseUri + "/" + href, provinceName);
                }
            }
        }
    }
    
   

在抓取城市名称的时候有一点要注意,直辖市城市的省份和城市名称是一样的

/**
     * @author xin
     * @description 解析城市名称
     * @date 2019/11/4 19:26
     */
    public static void parseCityName(Map<String, Map<String, String>> map, String url, String provinceName) throws IOException {

        Document doc = Jsoup.connect(url).get();
        Elements elements = doc.getElementsByTag("tbody");
        Element element = elements.get(4);
        Elements childrens = element.children();

        /**
         * 
         */
        String baseUri = element.baseUri();
        Map<String, String> cityMap = new HashMap<>();

        for (Element element1 : childrens) {

            Elements citytrs = element1.getElementsByClass("citytr");

            for (Element cityTag : citytrs) {
                Elements tds = cityTag.getElementsByTag("td");

                /**
                 * 直辖市,城市名就是本身
                 */
                String cityName = tds.get(1).getElementsByTag("a").text();
                
                if (cityName.equals("市辖区")) {
                    cityName = provinceName;
                }
                String href1 = tds.get(1).getElementsByTag("a").attr("href");

                System.out.println(cityName + " " + href1);
                
                cityMap.put(cityName, href1);
            }
        }
        map.put(provinceName, cityMap);
    }


public class test2 {

    public static void main(String[] args) throws IOException {
        
        Map<String, Map<String, String>> map = new HashMap<>();
        
        parseProvinceName(map, "http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2018");
        
        System.out.println(JSON.toJSONString(map));
    }
}

3、输出JSON字符串

当前只要省份和城市名称,爬虫没有什么深度,如果还需要区县等信息,可以根据市后边的url 35/3508.html 继续往下爬取

{
	"福建省": {
		"龙岩市": "35/3508.html",
		"南平市": "35/3507.html",
		"莆田市": "35/3503.html",
		"福州市": "35/3501.html",
		"泉州市": "35/3505.html",
		"漳州市": "35/3506.html",
		"厦门市": "35/3502.html",
		"三明市": "35/3504.html",
		"宁德市": "35/3509.html"
	},
	"西藏自治区": {
		"拉萨市": "54/5401.html",
		"昌都市": "54/5403.html",
		"日喀则市": "54/5402.html",
		"那曲市": "54/5406.html",
		"林芝市": "54/5404.html",
		"山南市": "54/5405.html",
		"阿里地区": "54/5425.html"
	},
	"贵州省": {
		"贵阳市": "52/5201.html",
		"毕节市": "52/5205.html",
		"铜仁市": "52/5206.html",
		"六盘水市": "52/5202.html",
		"遵义市": "52/5203.html",
		"黔西南布依族苗族自治州": "52/5223.html",
		"安顺市": "52/5204.html",
		"黔东南苗族侗族自治州": "52/5226.html",
		"黔南布依族苗族自治州": "52/5227.html"
	},
	"上海市": {
		"上海市": "31/3101.html"
	},
	"湖北省": {
		"黄冈市": "42/4211.html",
		"孝感市": "42/4209.html",
		"恩施土家族苗族自治州": "42/4228.html",
		"省直辖县级行政区划": "42/4290.html",
		"襄阳市": "42/4206.html",
		"鄂州市": "42/4207.html",
		"十堰市": "42/4203.html",
		"咸宁市": "42/4212.html",
		"黄石市": "42/4202.html",
		"荆州市": "42/4210.html",
		"随州市": "42/4213.html",
		"宜昌市": "42/4205.html",
		"武汉市": "42/4201.html",
		"荆门市": "42/4208.html"
	},
	"湖南省": {
		"湘潭市": "43/4303.html",
		"衡阳市": "43/4304.html",
		"张家界市": "43/4308.html",
		"益阳市": "43/4309.html",
		"岳阳市": "43/4306.html",
		"娄底市": "43/4313.html",
		"株洲市": "43/4302.html",
		"常德市": "43/4307.html",
		"湘西土家族苗族自治州": "43/4331.html",
		"郴州市": "43/4310.html",
		"邵阳市": "43/4305.html",
		"长沙市": "43/4301.html",
		"永州市": "43/4311.html",
		"怀化市": "43/4312.html"
	},
	"广东省": {
		"河源市": "44/4416.html",
		"韶关市": "44/4402.html",
		"茂名市": "44/4409.html",
		"汕头市": "44/4405.html",
		"清远市": "44/4418.html",
		"深圳市": "44/4403.html",
		"珠海市": "44/4404.html",
		"广州市": "44/4401.html",
		"肇庆市": "44/4412.html",
		"中山市": "44/4420.html",
		"江门市": "44/4407.html",
		"云浮市": "44/4453.html",
		"惠州市": "44/4413.html",
		"湛江市": "44/4408.html",
		"东莞市": "44/4419.html",
		"揭阳市": "44/4452.html",
		"阳江市": "44/4417.html",
		"佛山市": "44/4406.html",
		"汕尾市": "44/4415.html",
		"潮州市": "44/4451.html",
		"梅州市": "44/4414.html"
	}

     .......
}

Jsoup爬取页面数据对网络的依赖比较高,像我500块一年50M的方正宽带快要卡出翔了,平均执行三次才有一次成功,我太难了!

Exception in thread "main" java.net.SocketTimeoutException: Read timed out
	at java.net.SocketInputStream.socketRead0(Native Method)
	at java.net.SocketInputStream.socketRead(SocketInputStream.java:116)
	at java.net.SocketInputStream.read(SocketInputStream.java:171)
	at java.net.SocketInputStream.read(SocketInputStream.java:141)
	at java.io.BufferedInputStream.fill(BufferedInputStream.java:246)
	at java.io.BufferedInputStream.read1(BufferedInputStream.java:286)
	at java.io.BufferedInputStream.read(BufferedInputStream.java:345)
	at sun.net.www.http.HttpClient.parseHTTPHeader(HttpClient.java:735)
	at sun.net.www.http.HttpClient.parseHTTP(HttpClient.java:678)
	at sun.net.www.protocol.http.HttpURLConnection.getInputStream0(HttpURLConnection.java:1569)
	at sun.net.www.protocol.http.HttpURLConnection.getInputStream(HttpURLConnection.java:1474)
	at java.net.HttpURLConnection.getResponseCode(HttpURLConnection.java:480)
	at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:443)
	at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:465)
	at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:424)
	at org.jsoup.helper.HttpConnection.execute(HttpConnection.java:178)
	at org.jsoup.helper.HttpConnection.get(HttpConnection.java:167)
	at com.xinzf.project.jsoup.test2.parseProvinceName(test2.java:32)
	at com.xinzf.project.jsoup.test2.main(test2.java:17)

总结

从分析页面到编写代码花费的时间,可能要比简单的复制粘贴还要长,但我依然选择用程序解决问题,并不是因为我有多勤快,反而是因为我很懒,你品,你细品!


今天就说这么多,如果本文对您有一点帮助,希望能得到您一个点赞👍哦

您的认可才是我写作的动力!


整理了一些Java方面的架构、面试资料(微服务、集群、分布式、中间件等),有需要的小伙伴可以关注公众号【程序员内点事】,无套路自行领取

posted @ 2020-02-14 15:49  程序员内点事  阅读(216)  评论(0编辑  收藏