19-03-22 新采集了2018的城市数据
数据下载 GitHub：https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov/releases
数据预览
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。
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。
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，都字地名很多转换成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
在运行代码，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。
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。