从统计局采集最新的省市区县数据，纯js

时间  2019-11-11
标签 统计局 采集 最新 省市 区县 数据 栏目 网络爬虫 繁體版
原文   原文链接

本文更新（移步查阅）：
19-04-15 新采集了2018的省市区三级坐标和行政区域边界
19-03-22 采集了2018的城市数据
18-11-28 采集了2017的城市数据javascript

数据下载 GitHub：https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov/releases
相关更新状况，请查阅我发布的其余文章，本文如下内容再也不更新。php

18-01-28早上6:30的火车，从三亚回老家，票难买啊。好激动~
声明：文中涉及到的数据和第三方接口、url仅供学习使用，请勿它用~html

这几天都在磨着搭建本地测试环境，看到省市区数据表里面是空的，想着之前的老数据仍是13年采集的，含省市区县4级数据共4.8万条，时间久了，使用过程当中发现有些新的城市名称数据库中没有，县级数据历来就没有用到过，想着仍是从新采集一份。java

新采集的省市区数据有3589条，此次并无把县级数据采过来，须要的时候再添加也挺好。git

数据来源

国家统计局统计标准《2016年统计用区划代码和城乡划分代码(截止2016年07月31日)》，这个是2017-05-16发布的，当前是最新的。
github

数据采集

对于数据采集，根据工做须要，对于一些小的数据采集功能有些接触。由于对html和js熟些，很早之前就用IE浏览器对本地html文件支持任意跨域ajax请求数据、和支持读写Excel文件，就直接写一个html文件做为采集工具给别人使用，批量查询人员资料、考试结果什么的功能。因此采集省市区数据主要用的js。ajax

1. 抓取原始数据

打开网页http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html省份的数据就有了，进入市级页面，而后进入区级页面，还能够进入县级页面。整个流程地址结构很是简单，数据格式也很好提取。数据库

进入网页后打开浏览器控制台，执行下面代码，这段代码仅仅包含采集省市区的，把县级的阉割掉了，13年的老代码有县级的。很早之前写的代码，风格有点丑，不过能能正常使用就是好的，这个采集是“单线程的”，由于这些数据少，速度并不慢：跨域

/*
获取城市名称http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html
*/
(function(){
if(!window.URL){
    throw new Error("浏览器版本过低");
};
function ajax(url,True,False){
    var ajax=new XMLHttpRequest();
    ajax.timeout=1000;
    ajax.open("GET",url);
    ajax.onreadystatechange=function(){
        if(ajax.readyState==4){
            if(ajax.status==200){
                True(ajax.responseText);
            }else{
                False();
            }
        }
    }
    ajax.send();
}
function msg(){
    console.log.apply(console, arguments);
}

function cityClass(name,url,code){
    this.name=name;
    this.url=url;
    this.code=code;
    this.child=[];
    this.tryCount=0;
}
cityClass.prototype={
    getValue:function(){
        var obj={name:this.name,code:this.code,child:[]};
        for(var i=0;i<this.child.length;i++){
            obj.child.push(this.child[i].getValue());
        }
        return obj;
    }
}

function load_all(True){
    var path="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016";
    ajax(path+"/index.html",function(text){
        var reg=/href='(.+?)'>(.+?)<br/ig,match;
        var idx;
        if((idx=text.indexOf("<tr class='provincetr'>"))+1){
            reg.lastIndex=idx;
            while(match=reg.exec(text)){
                var url=match[1];
                if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
                    url=path+"/"+url;
                }
                var name=match[2];
                DATA.push(new cityClass(name,url,0));
            }
            True();
        }else{
            msg("未发现省份数据");
        }
    },function(){
        msg("读取省份列表出错","程序终止");
    });
}
function load_shen(True, False){
    var city=DATA[JD.shen];
    city.tryCount++;
    if(city.tryCount>3){
        msg("读取省份["+city.name+"]超过3次");
        False();
        return;
    };
    
    function get(){
        msg("读取省份["+city.name+"]", getJD());
        save();
        
        city.child[JD.si].tryCount=0;
        load_si(function(){
            JD.shen++;
            if(JD.shen>=DATA.length){
                JD.shen=0;
                True();
                return;
            };
            DATA[JD.shen].tryCount=0;
            
            load_shen(True,False);
        },function(){
            False();
        });
    }
    
    if(city.child.length){
        get();
    }else{
        ajax(city.url,function(text){
            var reg=/<tr class='citytr'>.+?href='(.+?)'>(.+?)<.+?'>(.+?)</ig;
            var match;
            while(match=reg.exec(text)){
                var url=match[1];
                if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
                    url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
                }
                var code=match[2];
                var name=match[3];
                city.child.push(new cityClass(name,url,code));
            }
            
            JD.si=0;
            get();
        },function(){
            load_shen(True,False);
        });
    };
}

function load_si(True,False){
    var shen=DATA[JD.shen];
    var city=shen.child[JD.si];
    city.tryCount++;
    if(city.tryCount>3){
        msg("读取城市["+city.name+"]超过3次");
        False();
        return;
    };
    
    
    function get(){
        msg("___读取城市["+city.name+"]", getJD());
        
        city.child[JD.xian].tryCount=0;
        JD.si++;
        if(JD.si>=shen.child.length){
            JD.si=0;
            True();
            return;
        };
        shen.child[JD.si].tryCount=0;
        
        load_si(True,False);
    }
    
    if(city.child.length){
        get();
    }else{
        ajax(city.url,function(text){
            var reg=/class='(?:countytr|towntr)'.+?<\/tr>/ig;
            var match;
            while(match=reg.exec(text)){
                var reg2=/class='(?:countytr|towntr)'.+?(?:<td><a href='(.+?)'>(.+?)<.+?'>(.+?)<|<td>(.+?)<.+?<td>(.+?)<)/ig;
                var match2;
                if(match2=reg2.exec(match[0])){
                    var url=match2[1]||"";
                    if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
                        url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
                    }
                    var code=match2[2]||match2[4];
                    var name=match2[3]||match2[5];
                    city.child.push(new cityClass(name,url,code));
                }else{
                    msg("未知城市模式:");
                    msg(city.url);
                    msg(match[0]);
                    throw new Error("end");
                }
            }
            
            JD.xian=0;
            get();
        },function(){
            load_si(True,False);
        });
    };
}


function getJD(){
    var str="省:"+(JD.shen+1)+"/"+DATA.length;
    var shen=DATA[JD.shen];
    if(shen){
        str+=" 市:"+(JD.si+1)+"/"+shen.child.length;
        var si=shen.child[JD.si];
        if(si){
            str+=" 县:"+(JD.xian+1)+"/"+si.child.length;
        }else{
            str+=" 县:"+JD.xian;
        }
    }else{
        str+=" 市:"+JD.si+" 县:"+JD.xian;
    }
    return str;
}
function save(){
    
}

var DATA=[];
var JD;
window.RunLoad=function(shen,si,xian){
    RunLoad.T1=Date.now();
    JD={
        shen:shen||0
        ,si:si||0
        ,xian:xian||0
    }
    
    function get(){
        DATA[JD.shen].tryCount=0;
        load_shen(function(){
            console.log("完成："+(Date.now()-RunLoad.T1)/1000+"秒");
            save();
            
            var data=[];
            for(var i=0;i<DATA.length;i++){
                data.push(DATA[i].getValue());
            }
            
            var url=URL.createObjectURL(
                new Blob([
                    new Uint8Array([0xEF,0xBB,0xBF])
                    ,"var CITY_LIST="
                    ,JSON.stringify(data,null,"\t")
                ]
                ,{"type":"text/plain"})
            );
            var downA=document.createElement("A");
            downA.innerHTML="下载查询好城市的文件";
            downA.href=url;
            downA.download="data.txt";
            document.body.appendChild(downA);
            downA.click();
            
            msg("--完成--");
        },function(){
            save();
            msg("当前进度：", getJD());
        });
    }
    
    var data=localStorage["load_data"];
    if(data){
        DATA=JSON.parse(data);
        get();
    }else{
        load_all(get);
    }
}
})();//@ sourceURL=console.js


//当即执行代码
RunLoad()

采集截图:
浏览器

2. 处理数据和拼音标注

数据处理就简单些了，好比编号格式化、名称格式化等。

拼音标注：这个须要找一个接口对文字进行拼音翻译，只有一个要求：重庆能正常的翻译成chong qing便可，翻译成zhong qing的就low了。知足这个条件，百度上搜索到的翻译小网站80%就被干掉了。

浏览器中打开找到的翻译接口http://www.qqxiuzi.cn/zh/pinyin/，截止到目前是能正常调用的，由于要用ajax请求数据，在页面里面就没有跨域的问题，查看网页源码，把token值记录下来，这个网站翻译请求须要带这个token，注意~刷新页面要从新获取：

拼音这个由于数据量比较多，采用了“4个线程”采集，先把第一步采集到的文件打开，把数据复制到打开的翻译网站浏览器控制台里面执行（至关于把数据导入），而后执行下面代码：

/*
拼音翻译
http://www.qqxiuzi.cn/zh/pinyin/

http://www.qqxiuzi.cn/zh/pinyin/show.php
POST
t=汉字&d=1&s=null&k=1&b=null&h=null&u=null&v=1&y=null&z=null&token=页面token请求一次获取

先加载数据
    控制台输入data.txt
*/
window.PageToken=window.PageToken||"";
var FixTrim=function(name){
    return name.replace(/^\s+|\s+$/g,"");
};
var CITY_LIST2;
var QueryPinYin=function(end){
    if(!window.PageToken){
        console.error("Need PageToken");
        return;
    };
    var ids=[];
    
    var fixCode=function(o){
        if(o.deep==0){
            o.orgCode="0";
        }else{
            o.orgCode=o.code;
            if(o.deep==1){
                o.code=o.code.substr(o,4);
            }else{
                o.code=o.code.replace(/(000000|000)$/g,"");//有少部分区多3位
            };
        };
        return o;
    };
    var fix=function(o,p){
        var name=o.name;
        if(o.deep==0){
            name=name.replace(/(市|省|(维吾尔|壮族|回族)?自治区)$/ig,"");
        }else if(o.deep==1){
            if(name=="市辖区"){
                name=p.o2.name;
            }else if(/行政区划$/ig.test(name)){
                name="直辖市";
            }else if(name.length>2){
                name=name.replace(/市$/ig,"");
            };
        }else{
            if(name.length>2 && name!="市辖区"
                && !/(自治.|地区|矿区)$/.test(name)){//直接排除会有同名的
                name=name.replace(/(市|区|县|镇|管委会|街道办事处)$/ig,"");
            };
        };
        var o2={
            name:name
            ,ext_name:o.name
            ,id:+o.code||0
            ,ext_id:+o.orgCode
            ,pid:p&&+p.code||0
            ,deep:o.deep
        };
        o.o2=o2;
        return o2;
    };
    for(var i=0;i<CITY_LIST.length;i++){
        var shen=CITY_LIST[i];
        shen.deep=0;
        for(var i2=0;i2<shen.child.length;i2++){
            var si=shen.child[i2];
            if(!shen.code){
                shen.code=si.code.substr(0,2);
                ids.push(fix(fixCode(shen)));
            };
            si.deep=1;
            ids.push(fix(fixCode(si),shen));
            
            
            for(var i3=0;i3<si.child.length;i3++){
                var qu=si.child[i3];
                qu.deep=2;
                ids.push(fix(fixCode(qu),si));
            };
        };
    };
    CITY_LIST2=ids;
    //console.log(JSON.stringify(ids,null,"\t"))
    //return;
    
    var idx=-1;
    var run=function(stack){
        stack=+stack||0;
        idx++;
        if(idx>=ids.length){
            thread--;
            if(thread==0){
                end();
            };
            return;
        };
        
        var idx_=idx;
        var id=ids[idx];
        if(id.P){
            stack++;
            if(stack%50==0){
                setTimeout(function(){run()});
            }else{
                run(stack);
            };
            return;
        };
        
        var name=id.name;
        var tryCount=0;
        var tryLoad=function(){
            $.ajax({
                url:"/zh/pinyin/show.php"
                ,data:"t="+encodeURIComponent(name)+"&d=1&s=null&k=1&b=null&h=null&u=null&v=1&y=null&z=null&token="+PageToken
                ,type:"POST"
                ,dataType:"text"
                ,timeout:1000
                ,error:function(e){
                    if(tryCount>3){
                        console.error("--QueryPinYin error--"+e);
                        run();
                        return;
                    };
                    tryCount++;
                    tryLoad();
                }
                ,success:function(txt){
                    txt=FixTrim(txt.replace(/<.+?>/g,"").replace(/\s+/g," "));
                    id.P=txt;
                    console.log("--"+idx_+"-QueryPinYin "+name+":"+txt+" --");
                    run();
                }
            });
        };
        tryLoad();
    };
    
    var thread=4;
    run();
    run();
    run();
    run();
};


var ViewDown=function(){
    console.log("完成："+(Date.now()-RunPinYin.T1)/1000+"秒");
    window.CITY_LIST_PINYIN=CITY_LIST2;
    var url=URL.createObjectURL(
        new Blob([
            new Uint8Array([0xEF,0xBB,0xBF])
            ,"var CITY_LIST_PINYIN="
            ,JSON.stringify(CITY_LIST2,null,"\t")
        ]
        ,{"type":"text/plain"})
    );
    var downA=document.createElement("A");
    downA.innerHTML="下载查询好城市的文件";
    downA.href=url;
    downA.download="data-pinyin.txt";
    document.body.appendChild(downA);
    downA.click();
};

var RunPinYin=function(){
    RunPinYin.T1=Date.now();
    QueryPinYin(ViewDown);
};


//当即执行代码
if(window.CITY_LIST){
    if(!PageToken){
        PageToken=prompt("Token");
    };
    RunPinYin();
}else{
    console.error("data.txt未输入");
};

这时候会提示输入token，把刚才找到的token粘贴进去，而后就开始工做了：

还挺快的，2分钟多点所有翻译完成。

3. 格式化成CSV

数据所有有了，导出成比较正常使用的格式，CSV最好了。这个导出比较简单，任意网页控制台把第二部保存的文件打开，复制数据到任意网页控制台，而后输入如下代码：

/*
格式而且输出为csv

先加载数据
    控制台输入data-pinyin.txt

导入数据库：
    文件格式Unicode，文字为字符流
    检查id重复项，修正id
    转入area_city
    增长港澳台、海外两个省级
    检查名称重复项，修正名称
        select * from area_city where len(name)=1
        select pid,name,count(*) from area_city group by pid,name having COUNT(*)>1
*/

var FixTrim=function(name){
    return name.replace(/^\s+|\s+$/g,"");
};
function CSVName(name){
    return '"'+FixTrim(name).replace(/"/g,'""')+'"';
};

var CITY_CSV=["id,pid,deep,name,pinyin_prefix,pinyin,ext_id,ext_name"];
for(var i=0;i<CITY_LIST_PINYIN.length;i++){
    var o=CITY_LIST_PINYIN[i];
    var pf="";
    var pinyin=FixTrim(o.P).toLowerCase();
    var ps=pinyin.split(" ");
    for(var j=0;j<ps.length&&j<3;j++){
        pf+=ps[j].substr(0,j==0?2:1);
    };
    
    CITY_CSV.push(o.id+","+o.pid+","+o.deep+","+CSVName(o.name)
        +","+CSVName(pf)+","+CSVName(o.P)
        +","+CSVName(o.ext_id+"")+","+CSVName(o.ext_name));
};

var url=URL.createObjectURL(
    new Blob([
        new Uint8Array([0xEF,0xBB,0xBF])
        ,CITY_CSV.join("\n")
    ]
    ,{"type":"text/plain"})
);
var downA=document.createElement("A");
downA.innerHTML="下载查询好城市的文件";
downA.href=url;
downA.download="ok_data.csv";
document.body.appendChild(downA);
downA.click();

OK，数据所有搞完：

数据问题

  1. id编号和国家统计局的编号基本一致，方便之后更新。

  2. id重复项目前是没有（已优化过了），不过之前采集后直接对统计局的编号进行简单缩短后会有重复现象（算是精度丢失）。

  3. 拼音前缀取的是第一个字前两个字母和后两个字首字母，意图是让第一个字相同名称的尽可能能排序在一块儿。排序1：黑龙江helj、湖北hub、湖南hun；排序2：湖北hb、黑龙江hlj、湖南hn，排序一胜出。

  4. 由于区名字是直接去掉市、区后缀，存在那么几对名字变得彻底同样的，须要手动吧市区后缀加上，否则会产生小问题。

  5. 最终数据已上传了一份到CSDN，含全部代码和本文档：http://download.csdn.net/download/xiangyuecn/10226964，GitHub下载最新数据

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程