本文描述的是对国家统计局于2019-01-31发布的《2018年统计用区划代码和城乡划分代码(截止2018年10月31日)》的采集。

相对于用于和采集2016版2017版的js代码做了比较大的优化和调整,就开一遍文章来介绍这个V2版本。老版本文章

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

数据下载 GitHub:https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov/releases

数据预览

数据来源

国家统计局统计标准《2018年统计用区划代码和城乡划分代码(截止2018年10月31日)》,截稿时是最新的。

数据采集

对于数据采集,根据工作需要,对于一些小的数据采集功能有些接触。因为对htmljs熟些,很早以前就用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文件作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。所以采集省市区数据主要用的js

由于新版本chrome对编码有问题,统计局的是gb2312,会乱码,chrome 41古董版本没有问题,所以采集都是在chrome41下完成的,自己制作Chrome便携版实现多版本共存

1. 抓取原始数据

涉及源码:1_抓取国家统计局城市信息.js

进入统计局页面,执行代码即可完成抓取,开了4个模拟的线程,抓取省市区镇4级数据还是很快的,采集了3400+页面,首次运行大概1分多钟完成采集(我这个截图是开了浏览器缓存,所以有4秒的假象,编写本文时有个url挂逼了,不知道是不是统计局服务器出了问题)。

抓取完成后会自动弹出保存文件数据。

2. 拼音转换

这个需要找一个接口对文字进行拼音转换,只有一个要求:重庆能正常的翻译成chong qing即可,翻译成zhong qing的就low了。满足这个条件,百度上搜索到的翻译小网站99%就被干掉了。

另外Github上很多star很高的开源库的转换表现也并不理想,试过hotoo/pinyin,开了分词,多音字的结果还是不是差了一点半点,放弃了。最后采用的hankcs/HanLP的python库来进行转换,对地名多音字的支持还是有限的,字地名很多转换成dou囧,不过在同类型里面算是最好的。

还是以前找到的翻译接口https://www.qqxiuzi.cn/zh/pinyin/对拼音的转换准确度最高,据说依据《新华字典》、《现代汉语词典》等规范性辞书校对。不过这个站从去年开始对IP会有限制,以前是随便转换,从2017版数据采集开始进行了克制处理,整个翻译过程接口调用不超过10次,中间可能需要换1-3次代理(已实现用js自动化切换代理)。

转换过程

因为本次采集的数据量比较多,省市区3级数据仅3400来条,但包含了镇这级的4.2万多条数据,转换压力有点大。因此采取了省市区3级使用qqxiuzi的高准确度接口,镇级的采用本地HanLP转换接口。并且转换时采用全名称进行转换,相比以前使用精简的短名多音字方面称更加准确。

本地用HanLP库进行转换一遍,低准确度

涉及源码:2_1_抓取拼音.js

先打开拼音转换python服务,服务程序在Github.pinyin-python-server目录内,根据介绍进行运行。

然后在刚才那个抓取页面里执行js代码即可。写稿时重新转了一遍,用了4个模拟线程,花了5分钟时间,4.7万条数据全部转完。

为啥不用python直接转,非要走一遍http请求?答:不会写,也方便不用本地搭建服务,使用别的机器提供的接口(我搭建了一个临时的拼音接口测试服务器,可以测试)。

使用qqxiuzi对省市区3级重新转换一遍,高准确度

涉及源码:2_2_抓取拼音.js

http://www.qqxiuzi.cn/zh/pinyin/运行代码,然后根据提示导入上一步保存的数据即可,再次运行代码即可,如果被屏蔽IP,需要手动切换代理,或者根据源码里面的提示设置SwitchyOmega自动切换代理。

整个转换过程大概需要1分钟左右,查找有效代理慢的话可能需要更久。(源码里面缓存拼音结果部分代码错误,等下次采集在修复吧,写稿子时候发现的)

3. 处理数据和导出CSV

涉及源码:3_格式化.js

处理数据就相对简单些了,但花的时间最多,因为要去分析数据。额外添加了港澳台海外4个数据。另外去掉民族自治区、州、县、旗;民族乡、镇后缀。还有去掉统计出来比较多的几个后缀,市|县|镇|乡|街道|街道办事处|地区办事处|社区服务中心,有些比较少的后缀没有去掉,去掉有可能有些地名有歧义。

代码运行完成就自动弹出保存csv文件数据了。

最后

数据下载和相关问题请到 Github查看:https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov

releases内有处理好的3级或者4级 csv数据提供下载。

如果这个库有帮助到您,请 Star 一下。

从统计局采集最新的省市区镇数据,用js在浏览器中运行 V2的更多相关文章

  1. 从统计局采集最新的省市区县数据,纯js

    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 数据下载 GitHub ...

  2. 从高德采集最新的省市区三级坐标和行政区域边界,用js在浏览器中运行

    本文描述的是对国家统计局于2019-01-31发布的<2018年统计用区划代码和城乡划分代码(截止2018年10月31日)>中省市区三级的坐标和行政区域边界的采集. 本文更新(移步查阅): ...

  3. 中国省市区json数据 三级联动

    <label> <span>购买地址</span> <select name="PurchaseProvince" style=" ...

  4. 省市区三级数据的MYSQL内容

    省市区三级数据的MYSQL内容 省: /* Navicat MySQL Data Transfer Source Server : rm-2ze0lz594rof5nn72.mysql.rds.ali ...

  5. Mysql 保留最新的10条数据

    Mysql每天执行计划,保留最新的10条数据,其余的删除 1.Mysql 保留最新的10条数据 sql语句: DELETE tb FROM tbname AS tb,( SELECT id FROM ...

  6. sql 查询某个条件多条数据中最新的一条数据或最老的一条数据

    sql 查询某个条件下多条数据中最新的一条数据或最老的一条数据 test_user表结构如下: 需求:查询李四.王五.李二创建的最初时间或者最新时间 1:查询最初的创建时间: SELECT * FRO ...

  7. 性能测试 基于Python结合InfluxDB及Grafana图表实时采集Linux多主机性能数据

    基于Python结合InfluxDB及Grafana图表实时采集Linux多主机性能数据   by:授客 QQ:1033553122 实现功能 测试环境 环境搭建 使用前提 使用方法 运行程序 效果展 ...

  8. sqlServer 获取最新的一条数据

    SQL语句获取最新一条的数据 * from tra.dbo.订单 order by 下单时间 desc --时间倒序排列取第一条 select * from tra.dbo.订单 where 下单时间 ...

  9. “必须执行Init_Clk函数,才能采集到二氧化碳接口485数据的问题”的解决

    这个问题困扰了我很长一段时间,而且如果这个问题不解决,就有一个无法调和的矛盾:执行Init_Clk函数,能采集到二氧化碳接口485数据,但是功耗大:不执行Init_Clk函数,不能采集到二氧化碳接口4 ...

随机推荐

  1. leetcode-28.实现strStr()

    leetcode-28.实现strStr() 题意 实现 strStr() 函数. 给定一个 haystack 字符串和一个 needle 字符串,在 haystack 字符串中找出 needle 字 ...

  2. tab 切换实现方法

    ul li 实现方法(只适用于,一个页面只有一组ul>li) <!--menu--> <div class="nav"> <ul class=& ...

  3. (面试题)python面试题集锦-附答案

    1.一行代码实现1-100的和 sum_1_100 = sum(range(1, 101)) 2.如何在一个函数内修改全局变量的值 a = 100 def foo(): global a a = 30 ...

  4. Python lambda介绍

    转自:http://www.cnblogs.com/evening/archive/2010/03/29/2423554.html Python lambda 介绍   在学习python的过程中,l ...

  5. innodb二阶段日志提交机制和组提交解析

    前些天在查看关于innodb_flush_log_at_trx_commit的官网解释时产生了一些疑问,关于innodb_flush_log_at_trx_commit参数的详细解释参见官网: htt ...

  6. SQL Server 锁实验(INSERT加锁探究)

    insert语句: 其上锁情况为: insert语句会对表上的所有索引作出更新,因此这里看到的索引列较多,我们先把所有的索引搞出来看看: 可以看到所有索引都涉及到了,然后我们来仔细分析下加锁情况: 1 ...

  7. c/c++ const this指针

    const this指针 方法列表后面的const是什么含义呢?答案:不可以在方法里修改成员变量 class Test{ public: void fun()const{ //data = 10;// ...

  8. 搭建windows测试环境的步骤

     步骤:1.JDK安装 2.配置好JDK环境变量3.Tomcat安装4.将war包放在Tomcat的发布目录中webapps中,5.conf>server.xml里面设置默认解压,unpackW ...

  9. 第六章 第一个Linux驱动程序: 统计单词个数

    一.编写Linux驱动程序的步骤 第1 步:建立Linux 驱动骨架(装载和卸载Linux 驱动) 骨架部分主要是Linux驱动的初始化和退出函数,代码如下: #include <linux/m ...

  10. centos7如何安装gcc5.4

    由于需要使用到cilk plus和std=c++14,所以决定将编译器升级. 基本教程如下: 1.下载GCC源码: wget ftp://mirrors.kernel.org/gnu/gcc/gcc- ...