前言
对于区划代码数据，很多人都不会陌生，大多公司数据库都会维护一份区划代码，包含省市区等数据。区划信息跟用户信息息息相关，往往由于历史原因很多数据都是比较老的数据，且不会轻易更改。网上也有很多人提供的数据，或许大多数数据已经老旧，尽管并不会影响太多。
网上只提供数据，好像很少有人提供方法。最近有时间就来做一次爬虫的初尝，有想法但无奈没学 python，就拼凑了个 node 版的。
第一步 找资源
地名服务资源一般只有*部门才有权威性，比对某些网上提供的资源发现并不靠谱，特别是县以下的区划代码。搜索到以下资源：
结果发现，*没有提供统一的数据，区划信息比较分散，县级以上的数据有提供 2017 最新版的数据，但县级以下的数据只有 2013 年 和 2015 年的数据，以及每年来县级以下的数据变更情况。但 2013 和 2015 以不同的方式展示，一个页面的数据还是比较容易获取，如 2013 年的数据。但 2015 年数据尽管是分散在不同的页面中，还是有一定的规律的。另外博雅地名分享网的数据相对比较新，但与官方比较还是有些差异。这次以 2015 的数据为例
第二步 搭环境
node 环境提供了众多包，可以方便的实现一些功能，下面只是这些工具包在本次爬虫的所用到的功能，更多资料网上有很多，不过多说明（其实我是不完全会用这些工具，只是用了部分功能去实现而已~~捂脸）
request // 请求
cheerio // node 版的 jQuery
iconv-lite // 请求返回的数据转码
async // 处理并发请求数
第三步 书写代码
观察区划代码，你就会发现一些规律，根据这些规律，可以把省市区的数据格式化成自己想要的格式
省级或直辖市： 第三，四位是 00
市级： 第五，六位是 00
省级直辖县： 第三，四位是 90
编码规则 引自*
代码从左至右的含义是：
第一、二位表示省级行政单位（省、自治区、直辖市、特别行政区），其中第一位代表大区。
第三、四位表示地级行政单位（地级市、地区、自治州、盟及省级单位直属县级单位的汇总码）。
对于省（自治区）下属单位：01-20，51-70表示省辖市（地级市）；21-50表示地区（自治州、盟）；90表示省（自治区）直辖县级行政区划的汇总。
对于直辖市下属单位：01表示市辖区的汇总；02表示县的汇总。
第五、六位表示县级行政单位（县、自治县、市辖区、县级市、旗、自治旗、林区、特区）。
对于地级市下属单位：01-20表示市辖区（特区）；21-80表示县（旗、自治县、自治旗、林区）；81-99表示地级市代管的县级市。
对于直辖市所辖县级行政单位：01-20、51-80代表市辖区；21-50代表县（自治县）。
对于地区（自治州、盟）下属单位：01-20表示县级市；21-80表示县（旗、自治县、自治旗）。
对于省级直辖县级行政单位：同地区。
- 需要把获取的数据写入 json 文件就需要 fs
// require 需要的包
const fs = require('fs');
const entryUrl = 'http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2015/index.html';
const writeJSON = fs.createWriteStream(__dirname + '/data/list-2015.json')
// 待写入的 JSON 数据
let listJSON = {};
- 需要获取首页的数据
function captureUrl(url, fn, provinceName) {
request.get({
url: url,
encoding: null //让 body 直接是 buffer，也有别的方法实现
}, (error, response, body) => {
if (!error && response.statusCode == 200) {
// 页面编码为 gb2312 需要转码
const convertedHtml = iconv.decode(body, 'gb2312');
// 请求返回数据解析 jQuery 对象
const $ = cheerio.load(convertedHtml, {
decodeEntities: false
});
$.href = url;
$.provinceName = provinceName;
fn($);
}
if (error) {
console.log('error: ' + url)
}
});
}
captureUrl(entryUrl, function (res) {
parseHtml.deal(res, entryUrl);
});
- 根据页面结构获取想要的数据，这里是链接和城市名，浏览器 f12 都能看得懂的哈~
地址是相对路径，就需要根据请求的 url 地址来拼接出下一个页面真实地址
// 相对路径地址转换
function combineLink({
originUrl,
spliceUrl
}) {
if (typeof originUrl == 'string' && /^http/.test(originUrl)) {
const lastIndex = originUrl.lastIndexOf('/');
return originUrl.substr(0, lastIndex + 1) + spliceUrl;
}
}
有了 cheerio 可以方便的获取页面节点，从而拿到我们想要的数据
const parseHtml = {
captureProvince($) {
const linkList = $('.provincetr a');
let provinceArr = [];
linkList.map((index, item) => {
// 循环 10 个省份能完好执行异步回调，超过就出现问题
// if (index < 10) {
const $item = $(item);
provinceArr.push({
url: combineLink({
originUrl: entryUrl,
spliceUrl: $item.attr('href')
}),
name: $item.text().trim()
});
// }
});
return provinceArr;
}
}
有了链接就可以做下一步的处理，同样观察页面结构，获取有用的数据。这么多链接请求，到底什么时候会请求完成？这时候就有请 Promise 出场了
// 省份链接
const provinceArr = parseHtml.captureProvince(res);
Promise.all(provinceArr.map(item => {
const provinceName = item.name;
const provinceUrl = item.url;
return new Promise(resolve => {
captureUrl(provinceUrl, resolve, provinceName);
});
})).then(res => {
// 所有请求都结束
}).catch(err => {
// 异常处理
});
以为就这样顺利的走下去，就大功告成了。可遗憾的是新的问题出现了。在抓取博雅网的时候并发请求过多，请求失败的异常链接会有很多，但这些链接并没有问题。这是网站的防御机制，我们伪造的合法请求触发网站的防御机制，或许叫 CC 攻击来实现 DDOS 。貌似这么做对别的网站造成损失可能就要被请喝茶，请慎重，这时候就需要限制并发数不妨碍别人网站经营，asyn 有很强大的功能，这里只用了 mapList 方法，目的限制并发数
Promise.all(provinceArr.map(item => {
const provinceName = item.name;
const provinceUrl = item.url;
return new Promise(resolve => {
captureUrl(provinceUrl, resolve, provinceName);
});
}))
.then(res => {
let tempArr = [];
res.map(item => {
// 解析市一级数据
tempArr = tempArr.concat(this.captureCity(item, item.href))
});
return new Promise(resolve => {
async.mapLimit(tempArr, 10, function (item, callback) {
let temp = [];
captureUrl(item, function ($) {
console.log(item);
// 解析区县一级数据
temp = temp.concat(parseHtml.captureCountry($));
callback(null, temp);
});
}, function (err, result) {
let tempArr = [];
result.map(item => {
tempArr = tempArr.concat(item);
});
resolve(tempArr);
});
});
}).then(res => {
return new Promise(resolve => {
async.mapLimit(res, 10, function (item, callback) {
let temp = [];
captureUrl(item, function ($) {
console.log(item);
// 解析街道或者乡镇一级数据
parseHtml.captureTown($);
// 省份超过 10 个 callback 无效。找不到原因，不得已写法
// fs.createWriteStream(__dirname + '/data/list-2015.json').write(JSON.stringify(listJSON));
callback(null);
});
}, function (err, result) {
console.log(err)
resolve(true)
});
});
}).then(res => {
// 所有请求完成后 callback
console.log('区划信息写入成功~')
writeJSON.write(JSON.stringify(listJSON));
}).catch(err => {
console.log(err)
});
处理数据过程中，可以对源数据加以处理，获取数据展示
{
"110000000":"北京市",
"110101000":"东城区",
"110101001":"东华门街道",
"110101002":"景山街道"
...
...
}
第四步 update 数据
根据区划代码变更的页面获取数据来更新已经获取到的 2015 年的数据，采取同样的方法去拿到链接获取页面数据，发现这些变更情况的链接有重定向，需要做相应的处理才能拿到真实链接
function getRedirectUrl($) {
const scriptText = $('script').eq(0).text().trim();
const matchArr = scriptText.match(/^window.location.href="(\S*)";/);
if (matchArr && matchArr[1]) {
return matchArr[1];
} else {
console.log('重定向页面转换错误~')
}
}
在调试的过程中发现变更情况页面是表格类型，不能很方便的拿到数据并区分开来，不能只是左侧的数据需要 delete,右侧的数据 add。 我的思路是根据变更原因来分类处理，此部分代码没有写完
调试
我使用的编辑工具是 VSCode,调试也比较方便，F5 写好 launch.json 就可调试了。 可能我只知道这种调试吧，哈哈哈~
结局
由于官方地名普查办正在进行第二次地名普查，确保 2017 年 6 月 30 号完成全国地名普查工作，并向社会提供地名服务，详见如何切实做好第二次全国地名普查验收工作
到时候看官方公布的数据情况，来决定要不要完成这个工作，目前不想浪费太多的时间在这个上面，耗费了时间得来的数据有偏差，将来可能是要负责任的， 得不偿失。在此只是提供一种思路，有兴趣的可以自己尝试，有好的方法可以推荐一下哈哈~
详细代码见 division-code
疑惑
mapLimit(coll, limit, iterate, callback)
当循环省份超过 10 个时，回调执行写入区划信息会失败，也没执行 error，是不是我的用法有问题，望能得到解答