只听过 Python 做爬虫？不瞒你说 Java 也很强

python,java · 浏览次数 : 0

小编点评

网络爬虫技术是一种自动化程序，它们可以根据预定的规则从互联网上提取网页数据，并从中提取有价值的信息。Java技术在处理复杂网页和生成结构化数据方面表现出色。 **网页分析** 网页分析是网络爬虫的第一步，需要识别网页的结构和内容。以国家省市区信息为例，网页通常呈现为table表格，包含tr和td标签。市级以上信息通常以黑体字加粗显示，而区或县级地区则以常规字体显示。此外，省级信息有一个特定的样式标签，而市级信息除了这个样式外，还有一个span占位符标签。 **编写爬虫程序** 编写爬虫程序涉及创建一个Maven Java项目并添加相关依赖。使用Jsoup库解析HTML文档，定位目标数据，并将其封装到实体类中。程序通过抓取网页信息，解析并提取所需数据，最后将数据写入数据库。 **写入数据库** 将抓取到的数据写入数据库是网络爬虫的重要环节。这涉及到创建数据库表，定义数据结构，并将抓取到的数据批量插入到数据库中。对于直辖市等特殊行政区域，需要单独处理并标记为市级类型。 **总结** 网络爬虫技术是互联网数据采集的重要组成部分，Java语言为其提供了强大的支持。通过结合Jsoup等工具包和Maven等构建工具，可以高效地实现网页数据的抓取和存储。同时，合法合规地使用技术是每个开发者应遵守的原则。

正文

网络爬虫技术，早在万维网诞生的时候，就已经出现了，今天我们就一起来揭开它神秘的面纱！

一、摘要

说起网络爬虫，相信大家都不陌生，又俗称网络机器人，指的是程序按照一定的规则，从互联网上抓取网页，然后从中获取有价值的数据，随便在网上搜索一下，排在前面基本都是 pyhton 教程介绍。

的确，pyhton 在处理网页方面，有着开发简单、便捷、性能高效的优势！

但是我们 java 也不赖，在处理复杂的网页方面，需要解析网页内容生成结构化数据或者对网页内容精细的解析时，java 可以说更胜一筹！

下面我们以爬取国家省市区信息为例，使用 java 技术来实现，过程主要分三部：

第一步：目标网页分析
第二步：编写爬虫程序，对关键数据进行抓取
第三步：将抓取的数据写入数据库

废话不多说，直接开撸！

二、网页分析

网络爬虫，其实不是一个很难的技术，只是需要掌握的技术内容比较多，只会 java 技术是远远不够，还需要熟悉 html 页面属性！

以爬取国家省市区信息为例，我们可以直接在百度上搜索国家省市区，点击进入全国行政区划信息查询平台。

在民政数据菜单栏下，找到最新的行政区域代码公示栏。

点击进去，展示结果如下！

可以很清楚的看到，这就是我们要获取省市区代码的网页信息。

可能有的同学会问，这么直接干合不合法？

国家既然已经公示了，我们直接拿来用就可以，完全合法！而且国家省市区代码是一个公共字典，在很多业务场景下必不可少！

当我们找到了目标网页之后，我们首先要做的就是对网页进行分析，打开浏览器调试器，可以很清晰的看到它是一个table表格组成的数据。

熟悉 html 标签的同学，想必已经知道了它的组成原理。

其实table是一个非常简单的 html 标签，主要有tr和td组成，其中tr代表行，td代表列，例如用table标签画一个学生表格，代码如下：

<table>
    <!-- 定义表格头部 -->
    <tr>
        <td>编号</td>
        <td>姓名</td>
    </tr>
    <!-- 定义表格内容 -->
    <tr>
        <td>100</td>
        <td>张三</td>
    </tr>
    <tr>
        <td>101</td>
        <td>李四</td>
    </tr>
</table>

展示结果如下：

了解了table标签之后，我们再对网页进行详细分析。

首先对整个内容进行观察，很容易的看到，市级以上（包括市级），都是黑体字加粗的，区或者县级地区，都是常规！

出现这个现象，其实是由样式标签CSS来控制的，点击北京市，找到对应的代码位置，从图中我们可以很清晰的看到，市级对应的样式class为xl7030796，区或者县级地区对应的样式class为xl7130796

除此之外，我们继续来看看省和市级的区别！

可以很清晰的看到，市级相比省级信息，多了一个span占位符标签。

于是，我们可以得出如下结论：

省级信息，样式标签为xl7030796
市级信息，样式标签为xl7030796，同时包含span占位符标签
区或者县级信息，样式标签为xl7130796

等会会通过这些规律信息来从网页信息中抓取省、市、区信息。

三、编写爬虫程序

3.1、创建项目

新建一个基于 maven 工程 java 项目，在pom.xml工程中引入如下 jar 包！

<!--解析HTML-->
<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.11.2</version>
</dependency>

3.2、编写爬取程序

先创建一个实体数据类，用于存放抓取的数据

public class ChinaRegionsInfo {

    /**
     * 行政区域编码
     */
    private String code;

    /**
     * 行政区域名称
     */
    private String name;

    /**
     * 行政区域类型，1:省份，2：城市，3：区或者县城
     */
    private Integer type;

    /**
     * 上一级行政区域编码
     */
    private String parentCode;

    //省略get、set
}

然后，我们来编写爬取代码，将抓取的数据封装到实体类中

//需要抓取的网页地址
private static final String URL = "http://www.mca.gov.cn//article/sj/xzqh/2020/202006/202008310601.shtml";

public static void main(String[] args) throws IOException {
    List<ChinaRegionsInfo> regionsInfoList = new ArrayList<>();
    //抓取网页信息
    Document document = Jsoup.connect(URL).get();
    //获取真实的数据体
    Element element = document.getElementsByTag("tbody").get(0);
    String provinceCode = "";//省级编码
    String cityCode = "";//市级编码
    if(Objects.nonNull(element)){
        Elements trs = element.getElementsByTag("tr");
        for (int i = 3; i < trs.size(); i++) {
            Elements tds = trs.get(i).getElementsByTag("td");
            if(tds.size() < 3){
                continue;
            }
            Element td1 = tds.get(1);//行政区域编码
            Element td2 = tds.get(2);//行政区域名称
            if(StringUtils.isNotEmpty(td1.text())){
                if(td1.classNames().contains("xl7030796")){
                    if(td2.toString().contains("span")){
                        //市级
                        ChinaRegionsInfo chinaRegions = new ChinaRegionsInfo();
                        chinaRegions.setCode(td1.text());
                        chinaRegions.setName(td2.text());
                        chinaRegions.setType(2);
                        chinaRegions.setParentCode(provinceCode);
                        regionsInfoList.add(chinaRegions);
                        cityCode = td1.text();
                    } else {
                        //省级
                        ChinaRegionsInfo chinaRegions = new ChinaRegionsInfo();
                        chinaRegions.setCode(td1.text());
                        chinaRegions.setName(td2.text());
                        chinaRegions.setType(1);
                        chinaRegions.setParentCode("");
                        regionsInfoList.add(chinaRegions);
                        provinceCode = td1.text();
                    }

                } else {
                    //区或者县级
                    ChinaRegionsInfo chinaRegions = new ChinaRegionsInfo();
                    chinaRegions.setCode(td1.text());
                    chinaRegions.setName(td2.text());
                    chinaRegions.setType(3);
                    chinaRegions.setParentCode(StringUtils.isNotEmpty(cityCode) ? cityCode : provinceCode);
                    regionsInfoList.add(chinaRegions);
                }
            }
        }
    }
    //打印结果
    System.out.println(JSONArray.toJSONString(regionsInfoList));
}

运行程序，输出结果如下：

json解析结果如下：

至此，网页有效数据已经全部抓取完毕！

四、写入数据库

在实际的业务场景中，我们需要做的不仅仅只是抓取出有价值的数据，最重要的是将这些数据记录数据库，以备后续的业务可以用的上！

例如，当我们在开发一个给员工发放薪资系统的时候，其中的社保、公积金，可能每个城市都不一样，这个时候就会到国家省市区编码。

因此，我们可以将抓取的国家省市区编码写入数据库！

在上面，我们已经将具体的省市区数据结构封装成数组对象，写入过程也很简单。

首先，创建一张国家行政地域信息表china_regions

CREATE TABLE `china_regions` (
  `id` bigint(20) unsigned NOT NULL COMMENT '主键ID',
  `code` varchar(32) COLLATE utf8mb4_unicode_ci NOT NULL DEFAULT '' COMMENT '行政地域编码',
  `name` varchar(50) COLLATE utf8mb4_unicode_ci NOT NULL DEFAULT '' COMMENT '行政地域名称',
  `type` tinyint(4) NOT NULL DEFAULT '1' COMMENT '行政地域类型，1:省份，2：城市，3：区域',
  `parent_code` varchar(32) COLLATE utf8mb4_unicode_ci NOT NULL DEFAULT '' COMMENT '上一级行政编码',
  `is_delete` tinyint(4) NOT NULL DEFAULT '0' COMMENT '是否删除 1：已删除；0：未删除',
  `create_time` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  `update_time` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
  PRIMARY KEY (`id`),
  KEY `idx_code` (`code`) USING BTREE,
  KEY `idx_name` (`name`) USING BTREE,
  KEY `idx_type` (`type`) USING BTREE,
  KEY `idx_parent_code` (`parent_code`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='国家行政地域信息表';

搭建一个springboot工程，通过mybatis-plus组件，一键生成代码

最后，配置好数据源，重新封装数组对象，调用批量插入方法，即可插入操作

chinaRegionsService.saveBatch(regionsInfoList);

插入执行完之后，数据库结果如下

至此，大部分工作基本已经完成！

但是，细心的你，可能会发现还有数据问题，因为我们国家在省级区域上，还有一个直辖市的概念，以北京市为例，在数据库中type类型为1，表示省级类型，但是它的子级是一个区，中间还掉了一层市级类型。

因此，我们还需要对这些直辖市类型的数据进行修复，查询出所有的直辖市类型的城市。

对这些编号的城市，单独处理，中间加一层市级类型！

至此，国家省市区编码数据字典，全部处理完毕！

五、总结

本篇主要以爬取国家省市区编号为例，以 java 技术为背景进行讲解，在整个爬取过程中，最重要的一部分就是网页分析，找出规律，然后通过jsoup工具包解析网页，获取其中的有效数据。

同时，技术是一把双面刀，希望同学们在合法合规的环境下，正当使用！

六、参考

1、2020年行政区划代码

写到最后

不会有人刷到这里还想白嫖吧？点赞对我真的非常重要！在线求赞。加个关注我会非常感激！

本文已整理到技术笔记中，此外，笔记内容还涵盖 Spring、Spring Boot/Cloud、Dubbo、JVM、集合、多线程、JPA、MyBatis、MySQL、微服务等技术栈。

需要的小伙伴可以点击技术笔记获取！