使用nodejs写一个爬虫程序获取行政区划信息

2024-09-05 13:18

本文主要是介绍使用nodejs写一个爬虫程序获取行政区划信息,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

最近在开发一个房产管理系统,有个功能是需要对行政区划进行存入数据库管理,在网上找了很久,关于国家的行政区划数据都比较久远或者不完整,不能匹配自己的需求。
后来就想到用爬虫获取国家统计局网站的数据,因为Python还在学习中,所以就用自己熟悉的nodejs写了份简单的爬虫,能获取到国家统计局网站的全国行政区划信息(不包含港澳台)。

目录

  • 创建src文件价,作为生成的行政区划信息存放目录
  • 创建index.js 文件作为主要文件

初始化

使用npm初始化项目,按照提示输入相应内容(项目名称、版本、描述等信息)

npm init

安装依赖

  • cheerio: jquery核心功能的一个快速灵活而又简洁的实现,主要是为了用在服务器端需要对DOM进行操作的地方
  • axios:是一个基于 promise 的 HTTP 库(也可以使用nodejs的request或其他http库)
  • iconv-lite:解决nodejs中编码问题
  • async:区别与ES的async/await,这里作为一个库引入,主要使用async.mapLimit控制请求并发数

下文具体介绍各个库的使用

开发

分析目标网站

进入国家统计局网站,找到行政区划网页,目前最新的数据是2020年的,网址:http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2020/index.html

通过查看网页源码发现,其实这个网站比较简单,我们想获取的信息也直接在html内,所以可以直接使用cheerio来获取元素信息,并最终得到想要的数据。

对被爬取网站的分析应该放在第一步,然后再根据不同网站的分析结果,确定使用的依赖库。

首先定义几个变量

const HOST = 'http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2020/';
const headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' };

HOST: 就是要爬取的网站,这里给单独出来,方便后面的操作,(可以进一步优化,把年份拿出来,每次获取时手动输入,获取指定年份的数据)
headers: 就是访问该网站时的header信息,这里就是为了模拟浏览器环境,防止出问题,其实不写也可以请求网站信息

  • 引入axios库,获取网站数据
    文件头部引入axios
const axios = require('axios');

然后定义一个函数用于请求地址获取相应数据。因为根据分析网站的结果可知,原网站数据是按层级一层一层划分并每个链接显示一级的数据。如:首页显示了所有省级信息,然后每个省级携带对应的不同链接,连接到下属城市,再根据城市信息链接到区县再到街道、居委会等。所以把请求接口的方法封装到一个函数里,通过参数访问,获取信息。

const fetchData = async (url) => {const res = await axios(url, { headers });

定义一个main函数,作为程序的主入口,再在main内执行

const main = async () => {const provinceData = await fetchData(HOST);
}main();

保存后执行node index.js即可获取网页信息。可用console打印出查看。

此时会发现,获取的数据,中文会乱码,这是因为,该网站编码采用的是GB2312。我们需要对获取的数据进行转译。

  • 引入iconv-lite
const iconv = require('iconv-lite');

修改请求函数:

let data = null;
const res = await axios(url, { responseType: 'arraybuffer', headers });
// iconv-lite 解析buffer数据为gb2312
data = iconv.decode(res.data, 'gb2312');

注意

axios会转换数据格式为utf-8,所以这里需要把获取的数据转换为流,再使用iconv-lite转为GB2312格式

获取到正确的数据后就可以使用cheerio进行精准的获取了。

  • 引入cheerio
const cheerio = require('cheerio');

分析网页结构,省级信息在table标签内,分四行显示,共四个tr标签,每个tr标签有个class="provincetr",然后名称在td下的a标签内,如下:

<tr class="provincetr"><td><a href="11.html">北京市<br></a></td><td><a href="12.html">天津市<br></a></td><td><a href="13.html">河北省<br></a></td><td><a href="14.html">山西省<br></a></td><td><a href="15.html">内蒙古自治区<br></a></td><td><a href="21.html">辽宁省<br></a></td><td><a href="22.html">吉林省<br></a></td><td><a href="23.html">黑龙江省<br></a></td>
</tr>

发现规律遍可以编写代码:

const proviceStr = (html) => {const $ = cheerio.load(html)let result = [];$(".provincetr a").each(function (index, element) {let name = $(element).text().trim();let url = $(element).attr("href");let id = url.replace('.html', '');result.push({pid: '',id,name,url: HOST+url,})});return result;
};

这里遍历class下的元素,获取a标签内的内容和href信息,并需要获取对应的省级id(使用了通过链接截取,其实href内的信息也是对应的id)。并把url信息保存下来,用于下一级数据获取的一句

打印result应该就能看到获取的数据了。

接下来需要把数据存到文件中

  • 引入nodejs的fs模块
const fs = require('fs');

定义存放的变量,为了方便,直接把各个级别的信息分开存储:

const filePath = {province: 'src/province.json',city: 'src/city.json',country: 'src/country.json'
}

修改main方法:

const main = async () => {const Index = joinUrl('index.html');const provinceData = await fetchData(Index, 'province', '');fs.writeFileSync(filePath.province, JSON.stringify(provinceData));
}

此时打开src文件夹便能看见多了个province.json,打开是个压缩的json文件。

然后再分析市级数据。市级网页结构布局与省级类似,只是变成纵向排列,tr标签classcitytr。区县和街道、居委会布局都一样,只是class不同,所以可以抽取出共同代码,封装成一个函数。

需要注意的是,越往下级爬取,数据量会越来越大,这时可能会报错,甚至会被原网站封ip的风险。

这里因为只是爬取到区县级数据,所以没有做过多考虑,只是引入的async库的mapLimit,用于并发请求。

  • 最后,配置package.json,使用npm脚本启动项目,不再使用node index.js

时间仓储,只是为了满足项目中的一个小需求,临时写的一个爬虫,也是第一次使用nodejs爬取网页,问题还有很多,希望多多指正。后续抽出时间,对代码进行完善,解决爬取数据量大就报错的问题,并对省级id进行位数完善等。

  • 项目地址
    https://github.com/imchaoyu/node-get-districts

这篇关于使用nodejs写一个爬虫程序获取行政区划信息的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1139068

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

安装nodejs环境

本文介绍了如何通过nvm(NodeVersionManager)安装和管理Node.js及npm的不同版本,包括下载安装脚本、检查版本并安装特定版本的方法。 1、安装nvm curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash 2、查看nvm版本 nvm --version 3、安装

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测