Java 爬取行政区划代码

获取想要的数据。找到网站，访问网址获取到粗数据，使用技术手段解析出我们想要的数据和下层的请求的网址，然后再来一次直到没有下层。如：省->市->县->镇->村  

            org.projectlombok
            lombok
            1.18.16
        

        
            org.jsoup
            jsoup
            1.11.2
        

import com.sun.istack.internal.NotNull;
import lombok.Data;
import org.jsoup.Jsoup;
import org.jsoup.nodes.document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.util.ArrayList;
import java.util.List;

public class AreaUtil {


    public static final String baseUrl = "http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2020/";
    
    public static void crawlingAreaByNationalBureauOfStatistics(String url,int lv,String code,@NotNull List list) {
        try {
            Thread.sleep(500L);
            document doc = Jsoup.connect(url).maxBodySize(0).get();
            System.out.println(url);
            Elements tdElements = doc.select("td");
            switch (lv){
                case 1:{
                    Elements aElements = tdElements.select("a");
                    for (Element item : aElements) {
                        if (item.text().indexOf("京ICP备") == -1) {
                            Area area = new Area();
                            area.setCode(item.attributes().get("href").replaceAll(".html",""));
                            area.setName(item.text());
                            area.setParCode(code);
                            list.add(area);
                            String cUrl = url.substring(0,url.lastIndexOf("/")+1) + item.attributes().get("href");
                            
                            crawlingAreaByNationalBureauOfStatistics(cUrl,2,area.getCode(),list);
                        }
                    }
                };break;
                case 2:{
                    int index = 0;
                    for(Element item : tdElements){
                        if(item.parent().attributes().get("class").equals("citytr")){
                            if(index%2==0){
                                Area area = new Area();
                                area.setCode(item.select("a").get(0).text());
                                area.setParCode(code);
                                list.add(area);
                            }
                            if(index%2==1){
                                list.get(list.size()-1).setName(item.select("a").get(0).text());
                                String cUrl = url.substring(0,url.lastIndexOf("/")+1) + item.select("a").get(0).attributes().get("href");
                                crawlingAreaByNationalBureauOfStatistics(cUrl,3,list.get(list.size()-1).getCode(),list);
                            }
                            index++;
                        }
                    }
                };break;
                case 3:{
                    int index = 0;
                    for(Element item : tdElements){
                        if(item.parent().attributes().get("class").equals("countytr")){
                            if(index%2==0){
                                Area area = new Area();
                                if(index ==0){
                                    area.setCode(item.text());
                                }else{
                                    area.setCode(item.select("a").get(0).text());
                                }
                                area.setParCode(code);
                                list.add(area);
                            }
                            if(index%2==1){
                                if(index == 1){
                                    list.get(list.size()-1).setName(item.text());
                                }else {
                                    list.get(list.size()-1).setName(item.select("a").get(0).text());
                                    String cUrl = url.substring(0,url.lastIndexOf("/")+1) + item.select("a").get(0).attributes().get("href");
                                    
                                    crawlingAreaByNationalBureauOfStatistics(cUrl,4,list.get(list.size()-1).getCode(),list);
                                }
                            }
                            index++;
                        }
                    }
                };break;
                case 4:{
                    int index = 0;
                    for(Element item : tdElements){
                        if(item.parent().attributes().get("class").equals("towntr")){
                            if(index%2==0){
                                Area area = new Area();
                                area.setCode(item.select("a").get(0).text());
                                area.setParCode(code);
                                list.add(area);
                            }
                            if(index%2==1){
                                list.get(list.size()-1).setName(item.select("a").get(0).text());
                                String cUrl = url.substring(0,url.lastIndexOf("/")+1) + item.select("a").get(0).attributes().get("href");
                              
                                crawlingAreaByNationalBureauOfStatistics(cUrl,5,list.get(list.size()-1).getCode(),list);
                            }
                            index++;
                        }
                    }
                };break;
                case 5:{
                    int index = 0;
                    for(Element item : tdElements){
                        if(item.parent().attributes().get("class").equals("villagetr")){
                            if(index%3==0){
                                Area area = new Area();
                                area.setCode(item.text());
                                area.setParCode(code);
                                list.add(area);
                            }
                            if(index%3==1){
                                list.get(list.size()-1).setCode2(item.text());
                            }
                            if(index%3==2){
                                list.get(list.size()-1).setName(item.text());
                            }
                            index++;
                        }
                    }
                };break;
            }
        }catch ( Exception e){
            System.out.println(e.getMessage());
        }
    }
    public static void main(String[] args) {
        List list = new ArrayList<>();
        crawlingAreaByNationalBureauOfStatistics(baseUrl,3,null,list);
        list.forEach(System.out::println);
    }
}


@Data
class Area {
    //编码
    private String code;
    //编码
    private String code2;
    //名称
    private String name;
    //父级编码
    private String parCode;
}

本来是用多线程去做的，后面发现程序请求不到了数据了，该站点有反爬虫手段，去掉多线程后发现有时也是请求不到，后面又加了Thread.sleep(500L);这样请求的慢会好一点。