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：https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov/releases

相关更新情况，请查阅我发布的其他文章，本文以下内容不再更新。

18-01-28早上6:30的火车，从三亚回老家，票难买啊。好激动~

声明：文中涉及到的数据和第三方接口、url仅供学习使用，请勿它用~

这几天都在磨着搭建本地测试环境，看到省市区数据表里面是空的，想着以前的老数据还是13年采集的，含省市区县4级数据共4.8万条，时间久了，使用过程中发现有些新的城市名称数据库中没有，县级数据从来就没有用到过，想着还是重新采集一份。

新采集的省市区数据有3589条，这次并没有把县级数据采过来，需要的时候再添加也挺好。

数据来源

国家统计局统计标准《2016年统计用区划代码和城乡划分代码(截止2016年07月31日)》，这个是2017-05-16发布的，当前是最新的。

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html和js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。

1. 抓取原始数据

打开网页http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html省份的数据就有了，进入市级页面，然后进入区级页面，还可以进入县级页面。整个流程地址结构非常简单，数据格式也很好提取。

进入网页后打开浏览器控制台，执行下面代码，这段代码仅仅包含采集省市区的，把县级的阉割掉了，13年的老代码有县级的。很早以前写的代码，风格有点丑，不过能能正常使用就是好的，这个采集是“单线程的”，因为这些数据少，速度并不慢：

/*
获取城市名称http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html
*/
(function(){
if(!window.URL){
	throw new Error("浏览器版本太低");
};
function ajax(url,True,False){
	var ajax=new XMLHttpRequest();
	ajax.timeout=1000;
	ajax.open("GET",url);
	ajax.onreadystatechange=function(){
		if(ajax.readyState==4){
			if(ajax.status==200){
				True(ajax.responseText);
			}else{
				False();
			}
		}
	}
	ajax.send();
}
function msg(){
	console.log.apply(console, arguments);
}

function cityClass(name,url,code){
	this.name=name;
	this.url=url;
	this.code=code;
	this.child=[];
	this.tryCount=0;
}
cityClass.prototype={
	getValue:function(){
		var obj={name:this.name,code:this.code,child:[]};
		for(var i=0;i<this.child.length;i++){
			obj.child.push(this.child[i].getValue());
		}
		return obj;
	}
}

function load_all(True){
	var path="http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016";
	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,0));
			}
			True();
		}else{
			msg("未发现省份数据");
		}
	},function(){
		msg("读取省份列表出错","程序终止");
	});
}
function load_shen(True, False){
	var city=DATA[JD.shen];
	city.tryCount++;
	if(city.tryCount>3){
		msg("读取省份["+city.name+"]超过3次");
		False();
		return;
	};

	function get(){
		msg("读取省份["+city.name+"]", getJD());
		save();

		city.child[JD.si].tryCount=0;
		load_si(function(){
			JD.shen++;
			if(JD.shen>=DATA.length){
				JD.shen=0;
				True();
				return;
			};
			DATA[JD.shen].tryCount=0;

			load_shen(True,False);
		},function(){
			False();
		});
	}

	if(city.child.length){
		get();
	}else{
		ajax(city.url,function(text){
			var reg=/<tr class='citytr'>.+?href='(.+?)'>(.+?)<.+?'>(.+?)</ig;
			var match;
			while(match=reg.exec(text)){
				var url=match[1];
				if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
					url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
				}
				var code=match[2];
				var name=match[3];
				city.child.push(new cityClass(name,url,code));
			}

			JD.si=0;
			get();
		},function(){
			load_shen(True,False);
		});
	};
}

function load_si(True,False){
	var shen=DATA[JD.shen];
	var city=shen.child[JD.si];
	city.tryCount++;
	if(city.tryCount>3){
		msg("读取城市["+city.name+"]超过3次");
		False();
		return;
	};

	function get(){
		msg("___读取城市["+city.name+"]", getJD());

		city.child[JD.xian].tryCount=0;
		JD.si++;
		if(JD.si>=shen.child.length){
			JD.si=0;
			True();
			return;
		};
		shen.child[JD.si].tryCount=0;

		load_si(True,False);
	}

	if(city.child.length){
		get();
	}else{
		ajax(city.url,function(text){
			var reg=/class='(?:countytr|towntr)'.+?<\/tr>/ig;
			var match;
			while(match=reg.exec(text)){
				var reg2=/class='(?:countytr|towntr)'.+?(?:<td><a href='(.+?)'>(.+?)<.+?'>(.+?)<|<td>(.+?)<.+?<td>(.+?)<)/ig;
				var match2;
				if(match2=reg2.exec(match[0])){
					var url=match2[1]||"";
					if(url.indexOf("//")==-1 && url.indexOf("/")!=0){
						url=city.url.substring(0,city.url.lastIndexOf("/"))+"/"+url;
					}
					var code=match2[2]||match2[4];
					var name=match2[3]||match2[5];
					city.child.push(new cityClass(name,url,code));
				}else{
					msg("未知城市模式:");
					msg(city.url);
					msg(match[0]);
					throw new Error("end");
				}
			}

			JD.xian=0;
			get();
		},function(){
			load_si(True,False);
		});
	};
}

function getJD(){
	var str="省:"+(JD.shen+1)+"/"+DATA.length;
	var shen=DATA[JD.shen];
	if(shen){
		str+=" 市:"+(JD.si+1)+"/"+shen.child.length;
		var si=shen.child[JD.si];
		if(si){
			str+=" 县:"+(JD.xian+1)+"/"+si.child.length;
		}else{
			str+=" 县:"+JD.xian;
		}
	}else{
		str+=" 市:"+JD.si+" 县:"+JD.xian;
	}
	return str;
}
function save(){

}

var DATA=[];
var JD;
window.RunLoad=function(shen,si,xian){
	RunLoad.T1=Date.now();
	JD={
		shen:shen||0
		,si:si||0
		,xian:xian||0
	}

	function get(){
		DATA[JD.shen].tryCount=0;
		load_shen(function(){
			console.log("完成："+(Date.now()-RunLoad.T1)/1000+"秒");
			save();

			var data=[];
			for(var i=0;i<DATA.length;i++){
				data.push(DATA[i].getValue());
			}

			var url=URL.createObjectURL(
				new Blob([
					new Uint8Array([0xEF,0xBB,0xBF])
					,"var CITY_LIST="
					,JSON.stringify(data,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="data.txt";
			document.body.appendChild(downA);
			downA.click();

			msg("--完成--");
		},function(){
			save();
			msg("当前进度：", getJD());
		});
	}

	var data=localStorage["load_data"];
	if(data){
		DATA=JSON.parse(data);
		get();
	}else{
		load_all(get);
	}
}
})();//@ sourceURL=console.js

//立即执行代码
RunLoad()

采集截图:

2. 处理数据和拼音标注

数据处理就简单些了，比如编号格式化、名称格式化等。

拼音标注：这个需要找一个接口对文字进行拼音翻译，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80%就被干掉了。

浏览器中打开找到的翻译接口http://www.qqxiuzi.cn/zh/pinyin/，截止到目前是能正常调用的，因为要用ajax请求数据，在页面里面就没有跨域的问题，查看网页源码，把token值记录下来，这个网站翻译请求需要带这个token，注意~刷新页面要重新获取：

拼音这个因为数据量比较多，采用了“4个线程”采集，先把第一步采集到的文件打开，把数据复制到打开的翻译网站浏览器控制台里面执行（相当于把数据导入），然后执行下面代码：

/*
拼音翻译
http://www.qqxiuzi.cn/zh/pinyin/

http://www.qqxiuzi.cn/zh/pinyin/show.php
POST
t=汉字&d=1&s=null&k=1&b=null&h=null&u=null&v=1&y=null&z=null&token=页面token请求一次获取

先加载数据
	控制台输入data.txt
*/
window.PageToken=window.PageToken||"";
var FixTrim=function(name){
	return name.replace(/^\s+|\s+$/g,"");
};
var CITY_LIST2;
var QueryPinYin=function(end){
	if(!window.PageToken){
		console.error("Need PageToken");
		return;
	};
	var ids=[];

	var fixCode=function(o){
		if(o.deep==0){
			o.orgCode="0";
		}else{
			o.orgCode=o.code;
			if(o.deep==1){
				o.code=o.code.substr(o,4);
			}else{
				o.code=o.code.replace(/(000000|000)$/g,"");//有少部分区多3位
			};
		};
		return o;
	};
	var fix=function(o,p){
		var name=o.name;
		if(o.deep==0){
			name=name.replace(/(市|省|(维吾尔|壮族|回族)?自治区)$/ig,"");
		}else if(o.deep==1){
			if(name=="市辖区"){
				name=p.o2.name;
			}else if(/行政区划$/ig.test(name)){
				name="直辖市";
			}else if(name.length>2){
				name=name.replace(/市$/ig,"");
			};
		}else{
			if(name.length>2 && name!="市辖区"
				&& !/(自治.|地区|矿区)$/.test(name)){//直接排除会有同名的
				name=name.replace(/(市|区|县|镇|管委会|街道办事处)$/ig,"");
			};
		};
		var o2={
			name:name
			,ext_name:o.name
			,id:+o.code||0
			,ext_id:+o.orgCode
			,pid:p&&+p.code||0
			,deep:o.deep
		};
		o.o2=o2;
		return o2;
	};
	for(var i=0;i<CITY_LIST.length;i++){
		var shen=CITY_LIST[i];
		shen.deep=0;
		for(var i2=0;i2<shen.child.length;i2++){
			var si=shen.child[i2];
			if(!shen.code){
				shen.code=si.code.substr(0,2);
				ids.push(fix(fixCode(shen)));
			};
			si.deep=1;
			ids.push(fix(fixCode(si),shen));

			for(var i3=0;i3<si.child.length;i3++){
				var qu=si.child[i3];
				qu.deep=2;
				ids.push(fix(fixCode(qu),si));
			};
		};
	};
	CITY_LIST2=ids;
	//console.log(JSON.stringify(ids,null,"\t"))
	//return;

	var idx=-1;
	var run=function(stack){
		stack=+stack||0;
		idx++;
		if(idx>=ids.length){
			thread--;
			if(thread==0){
				end();
			};
			return;
		};

		var idx_=idx;
		var id=ids[idx];
		if(id.P){
			stack++;
			if(stack%50==0){
				setTimeout(function(){run()});
			}else{
				run(stack);
			};
			return;
		};

		var name=id.name;
		var tryCount=0;
		var tryLoad=function(){
			$.ajax({
				url:"/zh/pinyin/show.php"
				,data:"t="+encodeURIComponent(name)+"&d=1&s=null&k=1&b=null&h=null&u=null&v=1&y=null&z=null&token="+PageToken
				,type:"POST"
				,dataType:"text"
				,timeout:1000
				,error:function(e){
					if(tryCount>3){
						console.error("--QueryPinYin error--"+e);
						run();
						return;
					};
					tryCount++;
					tryLoad();
				}
				,success:function(txt){
					txt=FixTrim(txt.replace(/<.+?>/g,"").replace(/\s+/g," "));
					id.P=txt;
					console.log("--"+idx_+"-QueryPinYin "+name+":"+txt+" --");
					run();
				}
			});
		};
		tryLoad();
	};

	var thread=4;
	run();
	run();
	run();
	run();
};

var ViewDown=function(){
	console.log("完成："+(Date.now()-RunPinYin.T1)/1000+"秒");
	window.CITY_LIST_PINYIN=CITY_LIST2;
	var url=URL.createObjectURL(
		new Blob([
			new Uint8Array([0xEF,0xBB,0xBF])
			,"var CITY_LIST_PINYIN="
			,JSON.stringify(CITY_LIST2,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="data-pinyin.txt";
	document.body.appendChild(downA);
	downA.click();
};

var RunPinYin=function(){
	RunPinYin.T1=Date.now();
	QueryPinYin(ViewDown);
};

//立即执行代码
if(window.CITY_LIST){
	if(!PageToken){
		PageToken=prompt("Token");
	};
	RunPinYin();
}else{
	console.error("data.txt未输入");
};

这时候会提示输入token，把刚才找到的token粘贴进去，然后就开始工作了：

还挺快的，2分钟多点全部翻译完成。

3. 格式化成CSV

数据全部有了，导出成比较正常使用的格式，CSV最好了。这个导出比较简单，任意网页控制台把第二部保存的文件打开，复制数据到任意网页控制台，然后输入以下代码：

/*
格式并且输出为csv

先加载数据
	控制台输入data-pinyin.txt

导入数据库：
	文件格式Unicode，文字为字符流
	检查id重复项，修正id
	转入area_city
	增加港澳台、海外两个省级
	检查名称重复项，修正名称
		select * from area_city where len(name)=1
		select pid,name,count(*) from area_city group by pid,name having COUNT(*)>1
*/

var FixTrim=function(name){
	return name.replace(/^\s+|\s+$/g,"");
};
function CSVName(name){
	return '"'+FixTrim(name).replace(/"/g,'""')+'"';
};

var CITY_CSV=["id,pid,deep,name,pinyin_prefix,pinyin,ext_id,ext_name"];
for(var i=0;i<CITY_LIST_PINYIN.length;i++){
	var o=CITY_LIST_PINYIN[i];
	var pf="";
	var pinyin=FixTrim(o.P).toLowerCase();
	var ps=pinyin.split(" ");
	for(var j=0;j<ps.length&&j<3;j++){
		pf+=ps[j].substr(0,j==0?2:1);
	};

	CITY_CSV.push(o.id+","+o.pid+","+o.deep+","+CSVName(o.name)
		+","+CSVName(pf)+","+CSVName(o.P)
		+","+CSVName(o.ext_id+"")+","+CSVName(o.ext_name));
};

var url=URL.createObjectURL(
	new Blob([
		new Uint8Array([0xEF,0xBB,0xBF])
		,CITY_CSV.join("\n")
	]
	,{"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="ok_data.csv";
document.body.appendChild(downA);
downA.click();

OK，数据全部搞完：

数据问题

1. id编号和国家统计局的编号基本一致，方便以后更新。

2. id重复项目前是没有（已优化过了），不过以前采集后直接对统计局的编号进行简单缩短后会有重复现象（算是精度丢失）。

3. 拼音前缀取的是第一个字前两个字母和后两个字首字母，意图是让第一个字相同名称的尽量能排序在一起。排序1：黑龙江helj、湖北hub、湖南hun；排序2：湖北hb、黑龙江hlj、湖南hn，排序一胜出。

4. 因为区名字是直接去掉市、区后缀，存在那么几对名字变得完全一样的，需要手动吧市区后缀加上，不然会产生小问题。

5. 最终数据已上传了一份到CSDN，含所有代码和本文档：http://download.csdn.net/download/xiangyuecn/10226964，GitHub下载最新数据