为了不复制粘贴,我被逼着学会了JAVA爬虫

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。

为了不复制粘贴,我被逼着学会了JAVA爬虫

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+C
 、 
Ctrl+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DOMCSS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
 的 
<tr>
 标签里。

为了不复制粘贴,我被逼着学会了JAVA爬虫

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。

为了不复制粘贴,我被逼着学会了JAVA爬虫

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",
"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!

特别推荐一个分享架构+算法的优质内容,还没关注的小伙伴,可以长按关注一下:

为了不复制粘贴,我被逼着学会了JAVA爬虫

为了不复制粘贴,我被逼着学会了JAVA爬虫

长按订阅更多精彩▼

为了不复制粘贴,我被逼着学会了JAVA爬虫

如有收获,点个在看,诚挚感谢

原文 

http://mp.weixin.qq.com/s?__biz=MzU0OTE4MzYzMw==&mid=2247489564&idx=4&sn=508c881fcc6c8ca288972a0e27ca4a34

本站部分文章源于互联网,本着传播知识、有益学习和研究的目的进行的转载,为网友免费提供。如有著作权人或出版方提出异议,本站将立即删除。如果您对文章转载有任何疑问请告之我们,以便我们及时纠正。

PS:推荐一个微信公众号: askHarries 或者qq群:474807195,里面会分享一些资深架构师录制的视频录像:有Spring,MyBatis,Netty源码分析,高并发、高性能、分布式、微服务架构的原理,JVM性能优化这些成为架构师必备的知识体系。还能领取免费的学习资源,目前受益良多

转载请注明原文出处:Harries Blog™ » 为了不复制粘贴,我被逼着学会了JAVA爬虫

赞 (0)
分享到:更多 ()

评论 0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址