最近工作中需要用到全国区划代码，感觉国家统计局提供的数据比较权威，而且也算比较新（截止到2014年10月31日），所以打算把这些数据抓下来。
这是国家统计局提供的查询页面：http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2014/index.html
首先分析下页面
<table class=‘provincetable‘ width=775>
<tr>
<td colspan=8 height=1 style=‘FONT-SIZE: 5px‘> </td>
</tr>
<tr class=‘provincehead‘>
<td colspan=8 align=‘center‘ style=‘FONT-SIZE: 16px‘ height=39 vAlign=‘center‘ background=‘images/tiao.jpg‘>
<strong>2014年统计用区划代码和城乡划分代码(截止2014年10月31日)</strong></td>
</tr>
<tr>
<td colspan=8 height=50 style=‘FONT-SIZE: 12px‘> 统计用区划代码和城乡划分代码说明：统计用区划代码和城乡划分代码所涉及的数据，是国家统计局开展统计调查所涉及的区划范围，未包括我国台湾省、香港特别行政区、澳门特别行政区。
<br>
</td>
</tr>
<tr class=‘provincetr‘>
<td><a href=‘11.html‘>北京市<br/></a></td>
<td><a href=‘12.html‘>天津市<br/></a></td>
<td><a href=‘13.html‘>河北省<br/></a></td>
<td><a href=‘14.html‘>山西省<br/></a></td>
<td><a href=‘15.html‘>内蒙古自治区<br/></a></td>
<td><a href=‘21.html‘>辽宁省<br/></a></td>
<td><a href=‘22.html‘>吉林省<br/></a></td>
<td><a href=‘23.html‘>黑龙江省<br/></a></td>
</tr>。。。
</table>
页面比较干净，用jsoup解析没有什么困难，所有的地区信息都是放在一个table中的，但是会有几点不同，第一，一级地区信息是从第四个tr开始的，其它等级的地区信息是从第二个tr开始的；第二，每一级地区信息的tr的class不一致；第三，最后一级地区以及市辖区td中的子元素不一致。
由于大部分地区信息的样式都是相同，所以可以有一个大致的思路，可以将全国的地区信息看做成一棵树，比如我们可以将中国看做是这棵树的根节点，然后遍历这棵树，将节点依次插入。
所以节点要定义name也就是地区名，id地区代码，childNodes该地区的下一级地区节点，还有一个就是url，我们利用url访问页面。
有了这个思路我们便可以进行遍历了。
PageFetcher根据url抓取得到页面，ContentParser页面解析器解析页面。
要将节点插入树中，我们首先要构造一个带有子节点的根节点，然后递归遍历所有节点。
由于从页面中取到的链接是一个相对路径，所以我们需要将该链接拼接成一个完整的url，并通过递归传递，当该节点的url为空并且该节点代码的第7位到第10位的值为000时，说明该节点为叶子节点，就会跳出循环不再往下递归。
public void loadRegionNode(RegionNode regionNode, String superUrl) {
String url = subUrl(superUrl) + regionNode.getUrl();
FetchedPage fetchedPage = pageFetcher.getContentFromUrl(url);
List<RegionNode> list;
//首页数据已经预先加载
if (regionNode.getChildNode() == null) {
list = contentParser.parseHTML(fetchedPage);
} else {
list = regionNode.getChildNode();
}
//当list为null时则可能遍历到叶子节点
if (list != null && list.size() > 0) {
//将子节点插入
regionNode.setChildNode(list);
for (RegionNode node : list) {
//该节点为叶子节点且为最后一级
if(node.getUrl() == null && !node.getId().substring(6,12).equals("000000") ){
break;
}
loadRegionNode(node, url);
}
}
}
根据各级地区页面样式的不同，可以利用jsoup定义一个页面解析器，不同等级的地区使用不同的解析策略，所以可以在ContentParser中进行判断，分别解析
public static List<RegionNode> parseHTML(FetchedPage fetchedPage) {
//当抓取的页面为空或者返回状态码不是200返回空
if (fetchedPage == null || fetchedPage.getStatusCode() != 200) {
return null;
}
List<RegionNode> regionNodeList = new ArrayList<RegionNode>();
Document doc = Jsoup.parse(fetchedPage.getContent());
//获取当前页面中的地区节点
Elements tableSet = doc.getElementsByTag("TABLE");
Element regionTable = tableSet.get(4);
Elements trSet = regionTable.getElementsByTag("tr");
for (int i = 1; i < trSet.size(); i++) {
Element tr = trSet.get(i);
Elements elements = tr.getAllElements();
//当子元素数量等于3时，说明为没有子节点的市辖区
if (elements.size() == 3) {
Element codeTdTag = elements.get(1);
Element nameTdTag = elements.get(2);
String name = nameTdTag.text();
String code = codeTdTag.text();
RegionNode regionNode = new RegionNode();
regionNode.setRegionName(name);
regionNode.setId(code);
regionNodeList.add(regionNode);
System.out.println("code:"+code+";name:"+name);
continue;
}
//当子元素数量等于4时，说明为叶子节点
if (elements.size() == 4) {
Element codeTdTag = elements.get(1);
Element nameTdTag = elements.get(3);
String name = nameTdTag.text();
String code = codeTdTag.text();
RegionNode regionNode = new RegionNode();
regionNode.setRegionName(name);
regionNode.setId(code);
regionNodeList.add(regionNode);
System.out.println("code:"+code+";name:"+name);
continue;
}
Element codeATag = elements.get(2);
Element nameATag = elements.get(4);
String href = codeATag.attr("href");
String code = codeATag.text();
String name = nameATag.text();
RegionNode regionNode = new RegionNode();
regionNode.setId(code);
regionNode.setRegionName(name);
regionNode.setUrl(href);
regionNodeList.add(regionNode);
System.out.println("code:"+code+";name:"+name+";href:"+href);
}
return regionNodeList;
}
大概需要等待一个小时，一个完整的树形结构的地区信息就抓取完成了，然后我们可以根据需要保存成json或者xml文件，或者直接保存到数据库中。
源码已经上传到我的github:https://github.com/gordonFm/regionSpider，编译即可运行，数据是以json格式保存的。