Java爬虫项目实战（一）

目的：

通过网络爬虫爬取中国最小粒度的区域维度信息，包括省(Province) 、市(City)、县(County)、镇(town)、村委会(village)

主网站链接：

http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2015/index.html

主要jar包：

http://jsoup.org/packages/jsoup-1.8.1.jar

之前一节我们说过java爬虫从网络上利用jsoup获取网页文本，也就是说我们可以有三种方法获取html，一是根据url链接，而是从本地路径获取，三是通过字符串解析成html文档

在这里，我们利用前两种搭配使用：

先看本地是否存在需要的网页，如果不存在就通过url获取并保存在本地（下次就可以不需要重新从网络加载）

我们先建一个类叫做Html类，具体内容如下：

package Product;
import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.net.URL;
import java.util.ArrayList;
import java.util.Arrays;

import org.jsoup.*;
import org.jsoup.nodes.*;
import org.jsoup.select.*;
public class Html {

     //根据url从网络获取网页文本
    public Document getHtmlTextByUrl(String url)
    {
        Document doc = null;
        try {
            //doc = Jsoup.connect(url).timeout(5000000).get();
            int i = (int) (Math.random()*1000); //做一个随机延时，防止网站屏蔽

while(i!=0) { i--; } doc= Jsoup.connect(url).data("query", "Java") .userAgent("Mozilla") .cookie("auth", "token") .timeout(300000) .post(); } catch (IOException e) { e.printStackTrace(); try {     doc = Jsoup.connect(url).timeout(5000000).get(); } catch (IOException e1) { // TODO Auto-generated catch block  e1.printStackTrace(); } } 

return doc; } 

//根据本地路径获取网页文本，如果不存在就通过url从网络获取并保存 

public Document getHtmlTextByPath(String name,String url) {     String path = "D:/Html/" +name+".html";    Document doc = null ;     File input = new File(path);    String urlcat = url; try {      doc = Jsoup.parse(input, "GBK"); if(!doc.children().isEmpty()) {   doc=null; System.out.println("已经存在"); } } catch (IOException e) {   System.out.println("文件未找到，正在从网络获取.......");    doc = this.getHtmlTextByUrl(url);    //并且保存到本地    this.Save_Html(url, name); } return doc; }  //此处为保存网页的函数

//将网页保存在本地（通过url,和保存的名字）
    public  void Save_Html(String url,String name) {
                  try {
                       name =  name+".html";
                     // System.out.print(name);
                     File dest = new File("D:/Html/" +name);//D:\Html
                      //接收字节输入流
                      InputStream is;
                      //字节输出流
                      FileOutputStream fos = new FileOutputStream(dest);

                     URL temp = new URL(url);
                     is = temp.openStream();

                     //为字节输入流加缓冲
                     BufferedInputStream bis = new BufferedInputStream(is);
                     //为字节输出流加缓冲
                     BufferedOutputStream bos = new BufferedOutputStream(fos);

                     int length;

                     byte[] bytes = new byte[1024*20];
                     while((length = bis.read(bytes, 0, bytes.length)) != -1){
                         fos.write(bytes, 0, length);
                     }

                     bos.close();
                     fos.close();
                     bis.close();
                     is.close();
                 } catch (IOException e) {
                     e.printStackTrace();
                 }
             }

这样通过Html这个类，调用getHtmlTextByPath函数，传入我们的链接和想要保存的名称，接下就可以对这个网页文本提取信息

并将整个网页下载到我们的本地。

看到我们的网站是这样的：

利用谷歌浏览右键检查元素，我们注意观察黄色标记的部分：

我们发现这些文本信息和超链接信息在tr 下的td下的a标签内，利用我们的jsoup可以直接获取到这些信息，详情请看：

//根据元素属性获取某个元素内的elements列表
    public Elements getEleByClass(Document doc,String className)
    {
        Elements elements= null;           elements = doc.select(className);//这里把我们获取到的html文本doc，和工具class名，注意<tr class="provincetr">       return elements;   //此处返回的就是所有的tr集合 }

我们在调用的时候，就直接把我们获取的html文本，以及"tr.provincertr"作为参数传入，在来解析tr集合内部的信息，

也就是td中两个a标签href和文本内容：比如href="12.html"  北京

代码如下：

//获取省 、市 、县等的信息
    public ArrayList getProvince(String name,String url ,String type)
    {    ArrayList result= new ArrayList();
        //"tr.provincetr"
         String classtype = "tr."+type+"tr";
         //从网络上获取网页
        // Document doc = this.getHtmlTextByUrl(url);
         //从本地获取网页,如果没有则从网络获取
         Document doc2 = this.getHtmlTextByPath(name,url);
         System.out.println(name);
         if(doc2!=null){
         Elements es =this.getEleByClass(doc2,classtype);  //tr的集合
        for(Element e : es)   //依次循环每个元素，也就是一个tr
        {
            if(e!=null){
            for(Element ec : e.children())  //一个tr的子元素td，td内包含a标签
            {
                String[] prv = new String[4];   //身份的信息： 原来的url（当前url）  名称（北京） 现在url（也就是北京的url）  类型（prv）省
                if(ec.children().first()!=null)
                {
                //原来的url
                prv[0]=url;  //就是参数url
                //身份名称
                System.out.println(ec.children().first().ownText());
                prv[1]=ec.children().first().ownText();  //a标签文本  如:北京
                //身份url地址
                //System.out.println(ec.children().first().attr("href"));
                //http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2015/index.html
                String ownurl=ec.children().first().attr("abs:href");  //北京的url
                //因为如果从本地取得话，会成为本地url，所以保留第一次从网络上的url，保证url不为空
                if(ownurl.length()<10)
                {   connectOrcl c = new connectOrcl();
                    ownurl = c.selectOne(prv[1]); //从数据库中取，这是另一个调用数据库函数，根据名称取url
                }
                prv[2]=ownurl;  //如：北京自己的url
                System.out.println(prv[2]);
                //级别
                prv[3]=type; //就是刚刚传的类型，后面会有city 、county等
              //将所有身份加入list中
                result.add(prv);}
            }}
        }
    }
        return result;  //反回所有的省份信息集合，存数据库，字段类型为： baseurl  name ownurl levelname（type） updatetime
    }