/
1_1_抓取国家统计局城市信息.js
398 lines (337 loc) · 8.37 KB
/
1_1_抓取国家统计局城市信息.js
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
/*
获取统计局所有城市名称原始数据
在以下页面执行
https://www.stats.gov.cn/sj/tjbz/qhdm/
采集中途失败了,直接刷新页面重新采集,浏览器有页面缓存,恢复速度极快
【如果乱码】2021版页面已是 utf-8 无乱码
可能需要低版本chrome,不然他们网页gbk格式的请求会乱码,chrome 41没有乱码,Chrome 46这版本win10能用。或者篡改Content-Type响应头为Content-Type: text/html; charset=gb2312也可解决新版Chrome乱码问题,比如:FildderScript OnBeforeResponse中添加:
```
if (oSession.HostnameIs("www.stats.gov.cn")){
if(/tjyqhdmhcxhfdm\/\d+/.test(oSession.fullUrl)){
oSession.oResponse.headers["Content-Type"]="text/html; charset=gb2312";
}
}
```
*/
(function(){
var Year=2023;
var LoadMaxLevel=4;//采集几层
var SaveName="Step1_1_StatsGov";
var Level={
1:{n:"省",k:"shen"},
2:{n:"市",k:"si"},
3:{n:"区",k:"qu"},
4:{n:"镇",k:"zhen"}
};
window.StopLoad=false;//true手动停止运行,"End"假装采集完成
var DATA=window.DATA||[];
var LogAll=true;
var Load_Thread_Count=4;//模拟线程数
var Load_Max_Try=10;//错误重试次数
var Load_Wait_Child=91;//此城市下级列表已抓取完毕,等待子级完成抓取
var Load_Full_End=92;//此城市包括下级全部抓取完毕
if(!window.URL){
throw new Error("浏览器版本太低");
};
var loadReqCount=0;
function ajax(url,True,False){
loadReqCount++;
var ajax=new XMLHttpRequest();
ajax.timeout=20000;
ajax.open("GET",url);
ajax.onreadystatechange=function(){
if(ajax.readyState==4){
if(ajax.status==200){
True(ajax.responseText
.replace(/[\r\n]+/g," ") //单行处理
.replace(/"/g,"'") //引号全部统一
.replace(/>\s+</g,"><") //去掉标签中间的空白
);
}else{
False();
}
}
}
ajax.send();
}
function cityClass(name,url,code){
this.name=name;
this.url=url;
this.code=code;
this.child=[];
this.load=0;
}
cityClass.prototype={
getValue:function(){
var obj={
name:this.name
,code:(this.code+"000000000000").substr(0,12)
,child:[]
};
for(var i=0;i<this.child.length;i++){
obj.child.push(this.child[i].getValue());
}
obj.child.sort(function(a,b){
return a.code.localeCompare(b.code);
});
return obj;
}
}
function load_shen_all(True){
DATA=[];
var path="https://www.stats.gov.cn/sj/tjbz/tjyqhdmhcxhfdm/"+Year;
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,/(\d+).html/.exec(url)[1]));
}
True();
}else{
console.error("未发现省份数据");
}
},function(){
console.error("读取省份列表出错","程序终止");
});
}
var logX=$('<div class="LogX" style="position: fixed;bottom: 80px;right: 100px;padding: 50px;background: #0ca;color: #fff;font-size: 16px;width: 600px;z-index:9999999"></div>');
$("body").append(logX);
var logXn=0;
function LogX(txt){
logXn++;
if(LogAll || LoadMaxLevel<4 || logXn%100==0){
logX.text(txt);
}
};
function load_x_childs(itm, next){
var city=itm.obj,levelObj=Level[itm.level],levelNextObj=Level[itm.level+1];
city.load++;
if(city.load>Load_Max_Try){
console.error("读取"+levelObj.n+"["+city.name+"]超过"+Load_Max_Try+"次");
next();
return;
};
LogX("读取"+loadReqCount+"次"+getJD()+" ["+city.name+"]"+levelObj.n);
if(!city.url){
console.warn("无url",city);
next();
return;
};
ajax(city.url,function(text){
if(!/统计用区划代码<\/td>/.test(text)){//保证中文和没有要输入验证码
console.error("内容未匹配",city.url);
city.load=Load_Max_Try;
next();
return;
};
var reg=/class='(citytr|countytr|towntr|villagetr)'.+?<\/tr>/ig;
var match;
var mode="";
var swapItem=null;
while(match=reg.exec(text)){
var err=function(msg){
console.error(msg,city,match[0]);
city.load=Load_Max_Try;
next();
};
!mode&&(mode=match[1]);
if(mode!=match[1]){
err("前后类型不匹配");
return;
};
//villagetr直接非法
var reg2=/class='(citytr|countytr|towntr)'.+?<td>(?:<a *(?:href='(.+?)')?>)?(.+?)<.+?>([^<>]+)(?:<\/a>)?<\/td>\s*<\/tr>/ig;
var match2;
if(match2=reg2.exec(match[0])){
var url=match2[2]||"";
if(url && url.indexOf("//")==-1 && url.indexOf("/")!=0){
url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
}
var code=match2[3].trim();
var name=match2[4].trim();
if(!code||!name ||!/^\d+$/.test(code) ){
console.log(match2[0]);
err("未提取到name或code");
return;
}
//如果是镇,上级为市,越过了区,追加一个区,code为上级code+00,保持兼容,如:东莞
if(itm.level==2 && match2[1]=="towntr"){
if(!swapItem){
console.log("没有区级,追加一个同名的:"+city.name,city);
var o=new cityClass(city.name,city.url,city.code);
o.load=Load_Wait_Child;
city.child.push(o);
swapItem=o;
};
};
if(!url&&name=="市辖区"){
//NOOP 没有链接的市辖区直接去除
}else{
(swapItem||city).child.push(new cityClass(name,url,code));
};
}else{
err("未知模式");
return;
};
};
delete city.url;
city.load=Load_Wait_Child;
JD[levelNextObj.k+"_count"]+=city.child.length;
next();
},function(){
setTimeout(function(){
load_x_childs(itm, next);
},1000);
});
};
var load_end=function(isErr){
StopLoad="End";
if(isErr){
console.error("出错终止", getJD());
return;
}
var logTxt="完成:"+(Date.now()-RunLoad.T1)/1000+"秒"+getJD();
console.log(logTxt);
LogX(logTxt);
var data=[];
for(var i=0;i<DATA.length;i++){
data.push(DATA[i].getValue());
}
var saveData={};
window[SaveName]=saveData;
saveData.year=Year;
saveData.cityList=data;
var url=URL.createObjectURL(
new Blob([
new Uint8Array([0xEF,0xBB,0xBF])
,"var "+SaveName+"="
,JSON.stringify(saveData,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=SaveName+".txt";
logX.append(downA);
downA.click();
console.log("--完成--");
};
var threadCount=0;
function thread(){
threadCount++;
var itm=findNext(DATA,1);
if(!itm||!itm.obj){
//最后循环full计数
findNext(DATA,1);
findNext(DATA,1);
findNext(DATA,1);
findNext(DATA,1);
threadCount--;
if(threadCount==0){
load_end(!!itm);
};
return;
};
var next=function(){
threadCount--;
thread();
};
load_x_childs(itm, next);
};
function findNext(childs,level,parent){
if(level>=LoadMaxLevel){//超过了需要加载的层次
setFullLoad(parent,level-1);
return;
};
if(StopLoad){
//已停止
if(StopLoad=="End"){
return;
};
//手动中断运行
return {};
};
var isFull=true;
for(var i=0;i<childs.length;i++){
var itm=childs[i];
//处理完成了的
if(itm.load==Load_Full_End){
continue;
};
isFull=false;
if(itm.load==Load_Wait_Child){
//看看下级有没有没处理的
var rtv=findNext(itm.child,level+1,itm);
if(rtv){
return rtv;
};
}else if(itm.load>Load_Max_Try){
//存在加载失败的,中断运行
return {};
};
//加载这个
if(!itm.load){
return {obj:itm,level:level};
};
};
if(isFull&&parent){
setFullLoad(parent,level-1);
};
};
function setFullLoad(itm,level){
if(itm.load==Load_Wait_Child){
JD[Level[level].k+"_ok"]++;
};
itm.load=Load_Full_End;
};
function clearLoadErr(childs){
for(var i=0;i<childs.length;i++){
var itm=childs[i];
itm.load=itm.load>50?itm.load:!itm.url?1:0;
clearLoadErr(itm.child);
};
};
function getJD(){
var str="省:"+JD.shen_ok+"/"+JD.shen_count;
str+=" 市:"+JD.si_ok+"/"+JD.si_count;
str+=" 区:"+JD.qu_ok+"/"+JD.qu_count;
str+=" 镇:"+JD.zhen_count;
return " >>进度:"+str;
};
var JD={
shen_ok:0
,shen_count:0
,si_ok:0
,si_count:0
,qu_ok:0
,qu_count:0
,zhen_count:0
};
window.RunLoad=function(){
RunLoad.T1=Date.now();
function start(){
JD.shen_count=DATA.length;
for(var i=0;i<Load_Thread_Count;i++){
thread();
};
};
if(DATA.length){
console.log("恢复采集...");
clearLoadErr(DATA);
start();
}else{
load_shen_all(start);
}
window.DATA=DATA;
}
})();//@ sourceURL=console.js
//立即执行代码
RunLoad()