因为最近自己练手一个项目，需要用到全国省份市区数据，但是呢网上很多都不全或者需要收费才行。

于是就找到了民政局的网站，民政局的全国省份市区数据会定期更新，如果这个都不全那么还有那全对不对，所以就爬取民政局省市区数据,用于地市下拉框三级联动~确保数据的完整性.

url：http://www.mca.gov.cn/article/sj/xzqh/1980/

爬取地址如下：

http://www.mca.gov.cn/article/sj/xzqh/2020/20201201.html

开始

由于爬取原理很简单，就是解析HTML元素，然后获取到相应的属性值保存下来就好了。

本次是使用Java进行开发，所以选用Jsoup来完成这个工作。

源码具体放在这里：https://gitee.com/guoliangjun17/java-spider-data/tree/master/area

进入爬取地址进行Html分析

通过进行html分析，发现每一行数据都是存储在一个<tr>标签下。我们需要的是行政区域代码 和单位(地市)名称存储在第二和第三个<td>内 。与此同时还要很多空白<td>标签，在编写代码是需要将其过滤掉。具体逻辑如下：

Area实体类

@Data
@Builder
public class Area {
    /**
     * 父code
     */
    private Integer parentCode;
    /**
     * 地市code
     */
    private Integer cityCode;
    /**
     * 地市名称
     */
    private String cityName;
}

AreaService服务类

@Service
public class AreaService {
    /**
     * 爬取目标url
     */
    final String TARGET_URL = "http://www.mca.gov.cn/article/sj/xzqh/2020/20201201.html";

    /**
     * 使用非 stream的方式
     * @throws IOException
     */
    public void parseOne() throws IOException {
        Document document = Jsoup.connect(TARGET_URL).timeout(100000).get();
        Elements elements_tr = document.select("tr");
        List<Area> list = new ArrayList<>();
        for (int i=3;i<elements_tr.size();i++){
            Element tr = elements_tr.get(i);
            Elements elements_td = tr.select("td");
            if (elements_td.size()>3) {
                String cityCode = elements_td.get(1).text();
                String cityName = elements_td.get(2).text();
                if (StrUtil.isNotBlank(cityCode)&&StrUtil.isNotBlank(cityName)) {
                    Area area = Area.builder()
                            .parentCode(Integer.parseInt(checkParent(cityCode)))
                            .cityCode(Integer.parseInt(cityCode))
                            .cityName(cityName)
                            .build();
                    list.add(area);
                }
            }
        }
        list.forEach(System.out::println);
    }

    /**
     * 使用stream的方式
     * @throws IOException
     */
    public void parseTwo() throws IOException {
        List<Area> lists = Jsoup.connect(TARGET_URL).timeout(100000).get()
                .select("tr")
                .stream()
                .map(
                    tr -> tr.select("td")
                            .stream()
                            .filter(td -> StrUtil.isNotBlank(td.text())).collect(Collectors.toList())
                ).filter(list -> list.size() == 2)
                .skip(1)
                .map(
                    e -> {
                        String cityCode = e.get(0).text();
                        String cityName = e.get(1).text();
                        Area area = Area.builder()
                                .parentCode(Integer.parseInt(checkParent(cityCode)))
                                .cityCode(Integer.parseInt(cityCode))
                                .cityName(cityName)
                                .build();
                        return area;
                    }).collect(Collectors.toList());
        lists.forEach(System.out::println);
    }

    /**
     * 用于区分省市区
     * @param cityCode
     * @return
     */
    private static String checkParent(String cityCode){
        // 省
        if(cityCode.contains("0000")){
            return "0";
        // 市
        }else if (cityCode.contains("00")) {

            return String.valueOf(Integer.parseInt(cityCode) / 10000 * 10000);
        // 区
        }else {
            //这里区分直辖市...
            if (cityCode.contains("110")) {
                return "110000";
            }else if (cityCode.contains("120")){
                return "120000";
            }else if (cityCode.contains("310")){
                return "310000";
            }else if (cityCode.contains("500")){
                return "500000";
            }
            return String.valueOf(Integer.parseInt(cityCode) / 100 * 100);
        }
    }
}

最终效果如下：

最后，这次的爬虫获取省市区数据还是比较简单，只有简单的几行代码。毕竟民政局的网站也没啥反扒的策略，所以很轻松的就拿到了数据。