1 Star 0 Fork 19

逸云科技 / AreaCity-JsSpider-StatsGov

Create your Gitee Account
Explore and code with more than 6 million developers,Free private repositories !:)
Sign up
Clone or download
Cancel
Notice: Creating folder will generate an empty file .keep, because not support in Git
Loading...
README.md

源GitHub仓库】 | 【Gitee镜像库】如果本文档图片没有显示,请手动切换到Gitee镜像库阅读文档。

:open_book:省市区数据采集并标注拼音、坐标和边界范围

省市区镇四级数据在线测试和预览(支持转换成JSON、多级联动js);导入数据库或坐标、边界范围转换:AreaCity-Geo格式转换工具软件下载(支持转成sql、导入数据库,转成shpgeojson);当前最新版为 src文件夹 内的数据,此数据发布于统计局2020-02-25民政部2020-09-25腾讯地图行政区划2020-08-14高德地图行政区划采集当天

AreaCity logo

Stars Forks Releases Downloads Version License

在 Releases 中下载最新发布数据文件,也可直接打开 src/采集到的数据 文件夹内的文件来使用;如果下载缓慢可以通过Gitee Pages外链来下载:

csv格式非常方便解析成其他格式,算是比较通用;如果在使用csv文件过程中出现乱码、错乱等情况,需自行调对utf-8(带BOM)编码(或者使用文本编辑器 如 notepad++ 把文件转成需要的编码),文本限定符为"

通过AreaCity-Geo格式转换工具可快速方便的将省市区、坐标、边界范围导入数据库,并且提供格式转换功能。

手动导入csv文件到数据库如果接触的比较多应该能很快能完成导入,省市区数据参考导入教程、坐标和边界参考导入教程,教程在代码开头注释中,是SQL Server的导入流程和SQL语句。

温馨建议:不要在没有动态更新机制的情况下把数据嵌入到Android、IOS、等安装包内;缓存数据应定期从服务器拉取更新。

注:本库最高采集省市区镇4级数据、省市区3级边界范围;如需乡镇级别的坐标边界请到此下载,如果需要街道5级数据,请参考底下的其他资源

如何clone: Gitee镜像库加速

由于历史记录数据异常庞大,几乎每次commit都有40M+的新采集数据,所以你直接clone会很慢的,加上--depth 1提取最新版的数据即可。

//Gitee镜像仓库: 速度快
git clone --depth 1 https://gitee.com/xiangyuecn/AreaCity-JsSpider-StatsGov.git

//源GitHub仓库: 可能比较慢或无法访问
git clone --depth 1 https://github.com/xiangyuecn/AreaCity-JsSpider-StatsGov.git

数据源

  • 国家统计局 :统计用区划和城乡划分代码,此数据比较齐全但是比较杂,并且数据是一年一更可能会存在滞后,需额外移除和处理开发区、经济区、高新区、国家级新区等区域;此数据源为省市区三级数据的主要数据源,镇级辅助数据源。

  • 民政部 :行政区划代码,提供省市区三级数据,一月一更;为辅助数据源。

  • 腾讯地图行政区划:提供省市区镇四级数据,更新比较频繁;为镇级主要数据源,省市区三级辅助数据源。

  • 高德地图行政区域:提供省市区镇数据,实际采用前三级,更新比较频繁但具体时间未知;为辅助数据源。

  • 高德地图坐标和行政区域边界范围:当城市数据有变化时,主动从高德查询坐标和边界信息。

采集环境

chrome 控制台,Chrome 41这版本蛮好,win7能用,Chrome 46这版本win10能用;新版本Chrome 72+乱码(统计局内页编码为gb2312,新版本xhr对编码反而支持的超级不友好,估计是印度阿三干的)、SwitchyOmega代理没有效果、各种问题(简单制作chrome便携版实现多版本共存)。

乱码的根本原因在于统计局服务器响应的内容编码为gb2312,但服务器响应头只给了Content-Type: text/html,因此可用Fiddler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。

采集深度

数据有效性和完整性

本库会尽量和民政部的更新频率保持一致,但由于最为主要的两个数据源国家统计局腾讯地图行政区划更新频度并没有民政部高;因此省市区三级准确度和民政部准确度是一量级,并且要更完整些;第四级镇级主要由腾讯地图行政区划提供,腾讯数据源并不经常更新,因此会导致小部分新增、调整的城市第四级没有数据(会用上级数据补齐),使用前应该考虑此缺陷。

数据通过使用上级数据补齐的形式(具体细节请参考后面的数据规则),使得任何一个数据都能满足省市区镇4级结构,没有孤立的(ID全局唯一),因此不管从哪级进行下级选择,都能进行有效操作。可以通过ID结构来识别这种补齐填充的数据,只要ID为上级的ID+多个0,就代表此数据为补齐填充数据,比如:东莞(4419)-东莞(441900),很容易鉴别出441900为补齐用的填充数据。

会发生补齐行为的数据很少,约50来个(不含台湾),主要为:直筒子市(东莞、儋州等)、省直辖县级市(济源、潜江等),他们的下一级仅有补齐的这条数据。另外直辖市(北京、天津等)下级也仅有一条数据,ID结尾为01(不包括重庆,重庆下级分成了市、县两个)。

直筒子等这种为什么不直接把下级往上提一级来做区级,采用补齐填充的方式来对齐数据的原因,请参考issue#9

【字段】ok_data表

省市区镇数据表。

字段 类型 描述
id int/long 城市编号,三级用int类型,四级用long类型;省市区三级为统计局的编号经过去除后缀的0{3,6,8}得到的短编号,港澳台编号为民政部的编号;如果是添加的数据(国外),此编号为自定义编号;镇级主要为腾讯地图行政区划的编号,大部分和统计局的数据一致,约7.5%(约3000个)的镇级不一致;如果某级缺失(如:省直辖县级市、新增城市),会用上级数据进行补齐,编号为上级结尾添加0{2,3},注意如果要恢复长编号时(简单的补上00)已有的ID会和添加的ID产生冲突,比如4位恢复到6位将导致部分上下级ID冲突,恢复时这些新加的数据要进行特殊处理
pid int 上级ID
deep int 层级深度;0:省,1:市,2:区,3:镇
name string 城市名称;省市区三级为统计局的名称精简过后的,镇级主要为腾讯地图行政区划的名称精简过后的
pinyin_prefix string name的拼音前缀,取的是pinyin第一个字母,或港澳台、国外自定义前缀;用来排序时应当先根据拼音前缀的首字母来排序,相同的再根据前缀+名称进行排序
pinyin string name的完整拼音
ext_id long 数据源原始的编号;如果是添加的数据,此编号为0
ext_name string 数据源原始的名称,为未精简的名称

【字段】ok_geo表

此表为坐标和行政区域边界范围数据表,含省市区三级不含第四级,如需乡镇坐标边界数据请到此下载;因为数据文件过大(130M+),所以分开存储。由于边界数据的解析比较复杂,请参考src/map_geo_格式化.js内的SQL Server的解析语句,或者直接使用AreaCity-Geo格式转换工具软件进行转换成shpgeojsonsql格式或直接导入数据库。

字段 类型 描述
id int ok_data表中的ID相同,通过这个ID关联到省市区具体数据,map_geo_格式化.js中有数据合并SQL语句
geo string 城市中心坐标,高德地图GCJ-02火星坐标系。格式:"lng lat" or "EMPTY",少量的EMPTY(仅台湾的城市、国外)代表此城市没有抓取到坐标信息
polygon string 行政区域边界,高德地图GCJ-02火星坐标系。格式:"lng lat,...;lng lat,..." or "EMPTY",少量的EMPTY(仅台湾的城市、国外)代表此城市没有抓取到边界信息;存在多个地块(如飞地)时用;分隔,每个地块的坐标点用,分隔,特别要注意:多个地块组合在一起可能是MULTIPOLYGON或者POLYGON,需用工具进行计算和对数据进行验证

【QQ群】交流与支持

欢迎加QQ群:484560085,纯小写口令:areacity

案例效果

:open_book:测试和WEB数据格式转换工具

在线测试工具地址:https://xiangyuecn.gitee.io/areacity-jsspider-statsgov/

或者直接使用测试和WEB数据格式转换工具.js,在任意网页控制台中使用。

此工具主要用于把csv数据转换成别的格式,另外提供省市区多级联动测试,并且可生成js源码(含数据)下载,3级联动生成的文件紧凑版68kb,4级联动紧凑版1mb大小。

工具支持:

  1. 数据预览和测试。
  2. 将csv数据导出成压缩后的紧凑版js格式纯数据文件,省市区3级数据65kb大小。
  3. 将csv数据导出成JSON对象、JSON数组纯数据文件,省市区3级数据120kb+。
  4. 网页版省市区镇多级联动测试。
  5. 网页版省市区多级联动js代码生成(含数据)。

效果图

:open_book:拼音标注

拼音源

省市区这三级采用在线拼音工具转换,据说依据《新华字典》、《现代汉语词典》等规范性辞书校对,多音字地名大部分能正确拼音,重庆:chong qing朝阳:chao yang郫都:pi du闵行:min hang康巴什:kang ba shi六安市:lu an shi;转换完成后会和腾讯地图行政区划存在的拼音进行对比校正。

镇级以下地名采用本地拼音库(assets/pinyin-python-server)转换,准确度没有省市区的高。

拼音前缀

目前采用的是截取第一个字拼音的首字母,和港澳台、国外特殊指定前缀。

排序方案:

方案一(2016版废弃):取每个字的拼音首字母排序,比如:河北:hb 湖北:hb 黑龙江:hlj 河南:hn 湖南:hn

方案二(2018版废弃):取的是第一个字前两个字母和后两个字首字母排序:河北:heb 黑龙江:helj 河南:hen 湖北:hub 湖南:hun

方案三(返璞归真):取第拼音前缀首字母进行排序,如果两个字母相同,再使用(首字母前缀或自定义前缀)+(名称)进行排序:河北:h.河北 河南:h.河南 黑龙江:h.黑龙江 湖北:h.湖北 湖南:h.湖南 香港:~1.香港 澳门:~2.澳门

排序方案三看起来好些;为什么不直接用名称文本进行排序,我怕不同环境下对多音字不友好,最差情况下也不会比方案一差,并且排序可透过前缀实施自定义控制。

:open_book:坐标和行政区域边界范围

数据源

使用高德接口采集的,本来想采百度地图的,但经过使用发现百度地图数据有严重问题(百度已更新,不能复现了)

参考 肃宁县(右下方向那块飞地)路南区(唐山科技职业技术学院那里一段诡异的边界) 边界,百度数据大量线段交叉的无效polygon(百度已更新,不能复现了)百度地图测试),没有人工无法修正,高德没有这个问题(高德地图测试);

并且高德对镂空性质的地块处理比百度强,参考天津市唐山大块飞地的处理,高德数据只需要Union操作就能生成polygon,百度既有Union操作又有Difference操作,极其复杂数据还无效。

所以放弃使用百度地图数据。

如何使用坐标和边界数据

坐标和边界数据省市区 数据是分开存储的,通过ID来进行关联。

可以把ok_geo.csv导入到数据库内使用,由于POLYGON需要解析,蛮复杂的,可以参考src/map_geo_格式化.js内的SQL Server导入用的SQL语句的例子,或者直接使用AreaCity-Geo格式转换工具软件进行转换成shpgeojsonsql格式或直接导入数据库。

如果需要特定的POLYGON格式,可以根据上面介绍的字段格式,自行进行解析和验证。

使用过程中如果遇到多种不同坐标系的问题,比如请求的参数是WGS-84坐标(GPS),我们后端存储的是高德的坐标,可以通过将WGS-84坐标转成高德坐标后进行处理,百度的坐标一样。转换有相应方法,转换精度一般可以达到预期范围,可自行查找。或者直接把高德的原始坐标数据转换成目标坐标系后再存储(精度?)。

省市区三级边界效果

乡镇第4级边界效果

AreaCity-Geo格式转换工具软件

本工具软件用于将采集到的 ok_geo.csv 城市坐标和边界范围文件转成其他格式,比如:shpgeojsonsql;或者直接导入数据库:SQL Server、MySQL;也支持省市区镇数据的数据库导入;软件教程和下载地址

此软件可免费使用,但会受到限制,每次转换操作最多导出一个城市和它的下一级数据,可付费升级为完整版。

相关截图:

:open_book:数据规则和相关问题

  1. id编号和国家统计局的编号基本一致,方便以后更新,有很多网站接口数据中城市编号是和这个基本是一致的,包括民政部、腾讯地图和高德地图的城市数据这套编号都是大部分通用的。

  2. 东莞中山儋州等不设区的直筒子市没有第三级区级,自动添加同名的一级作为区级,以保证整个数据结构的一致性,添加的城区编号以上级的ID结尾加两个0作为新ID,此结构ID兼容性还不错,比如:东莞(4419)下级只有一个区 东莞(441900),但结尾加00后会导致精简过的ID如果要恢复成指定的位数时需要将这些添加的区域进行特殊处理,否则4419扩充到6位后会变成441900和下级产生冲突

  3. 省直辖县级市(河南济源、湖北潜江、海南五指山、新疆昆玉等)根据编号来看本来只能放到区级,但为了便于用户选择,所有直辖市自动添加一个同名的市级,比如:湖北-直辖市-仙桃-*镇 调整后为 湖北-仙桃-仙桃-*镇,新添加数据的编号规则和第二条规则相同。

  4. 如果市、区没有下级,自动添加同名的一个城镇作为下级,编号规则和上一条规则相同,以保证数据层次的一致性(任何一个数据都能满足省市区镇4级结构,没有孤立的);比如:福建-泉州-金门没有镇,调整后为福建-泉州-金门-金门;另外从民政部等数据源中补全的新增城市也会缺失下级,照此规则自动补齐。

  5. 台湾数据只有省市区三级没有镇级,因此镇级通过前面几条规则自动补齐;香港、澳门数据源有两级,当做直筒子市来处理,比如把香港当做东莞,从面积和人口来看还算合理,因此港澳数据中省市区三级是完全相同的,第四级镇级才有城市数据,如:香港-香港-香港-湾仔区。

  6. 地区名字是直接去掉常见的后缀进行精简的,如直接清除结尾的市|区|县|街道办事处|XX族自治X,数量较少并且移除会导致部分名字产生歧义的后缀并未精简。

  7. 省市区前三级数据的合并:统计局采集过来的数据会先和民政部的数据交叉对比后进行合并;由于统计局的数据明显的滞后,民政部内新添加的市、区将不会有镇级(自动补齐同名镇级);如果民政部数据存在明文撤销的市、区,那么合并的时候会删除统计局对应的数据;如果统计局中的数据在民政部数据内不存在,将原样保留。高德地图行政区域会和腾讯地图行政区划数据进行交叉对比,然后择优选取需要的数据。最后(统计局+民政部)和(高德+腾讯的数据)的前三级数据进行交叉融合,得到的【省市区】 ≈ 【统计局的数据】 - 【160来个开发区、经济区、高新区、国家级新区】 - 【撤销城市】 + 【新设城市】 + 【港澳台】。

  8. 第四级镇级主要采用腾讯地图行政区划数据,综合高德和统计局的数据,和统计局的数据差异在3000个左右,占比7.5%(3000/40000),得到的【镇级】 ≈ 【腾讯地图行政区划数据】。

  9. 省市区三级的坐标和行政区域边界范围数据从高德采集,省市区总计3300+条数据,少部分城市未采集到数据(仅台湾的城市、国外)。关于未获取到坐标或边界的城市,本采集方案采取不处理策略,空着就空着,覆盖主要城市和主要人群,未覆盖区域实际使用过程中应该进行降级等处理。比如:尽最大可能的根据用户坐标来确定用户所在城市,因为存在没有边界信息的区域,未匹配到的应使用ip等城市识别方法。得到的【坐标和边界】 = 【高德地图数据】。

  10. 参考链接:统计用区划代码和城乡划分代码编制规则民政部发布的行政区划代码

为什么不直接用统计局的数据

  1. 存在滞后,更新没有民政部和其他数据源频繁,新采集却是老数据,并且明知道存在新数据,强迫症又要犯了。
  2. 统计局的数据比较齐全但是比较杂,靠一个人来分开整理几乎不可能;比如:统计局数据包含了160多个经济区、开发区,这种区划应该算专门的区域,一般由多个城市的区域组成,在区级内算是重复的区域,因此需要剔除,但剔除后这些区域下面的镇级需要划分到实际的归属城市下面,这就很困难了,因为量太大了,一个个去查归属地几乎不可能。
  3. 统计局的数据也存在缺失数据,如:港澳台、昆玉市、双河市。
  4. 其他平台的数据在感官上显得都不够完美,综合一下舒畅多了。

修正数据

  • issues/2 乐亭县lào ,此县下面的乐亭读音均已修正。
  • [2020-8-23] QQ:85005150反馈 宕昌县tàn
  • 关于苏州工业园区issues/15,这个是唯一一个特殊处理的园区数据,本来应该不会出现园区这种数据的,但为了简化后续数据的处理,保留了统计局中的这个数据。

:open_book:使用js自行采集

在低版本chrome控制台内运行1、2、3打头的文件即可完成采集,这些文件按文件名顺序执行。环境配置好的情况下完成一次采集大概30分钟内。

最新采集代码内对拼音转换的接口变化蛮大,由于优秀的那个公网接口采取了IP限制措施,就算使用了全自动的切换代理,全量转换还是极为缓慢,因此采用了本地转换接口和公网转换接口结合的办法,省市区三级采用公网接口,其他的采用本地接口。公网接口转换的正确度极高,本地的略差那么一点。

统计局官网也会对请求进行限制,超过一定量的请求后会要求输入验证码。只要没有禁用浏览器缓存,一个统计局url请求过一次就不再次发起网络请求(会走缓存),最多会产生4000个有效网络请求,发现要输入验证码时,重新开始采集即可,有缓存的非常快速。

城市数据标准操作流程

  1. 按顺序用文本编辑器打开1-3打头的js文件,阅读源码开头的注释,用浏览器打开注释内相应的目标页面。
  2. 在浏览器页面内打开控制台,控制台中导入需要的数据。
  3. 复制js文件内的源码到控制台内执行。
  4. 数据采集或转换完成会自动弹出下载,保存好文件,然后处理下一个1-3打头的js文件。

坐标和行政区域边界采集

使用坐标和边界目录内的map_geo.jsmap_geo_格式化.js高德地图测试页面,根据文件内的说明即可完成采集。

:open_book:其他资源

:star:捐赠

如果这个库有帮助到您,请 Star 一下。

您也可以使用支付宝或微信打赏作者:

Comments ( 0 )

Sign in for post a comment

About

省市区县乡镇三级或四级城市数据,带拼音标注、坐标、行政区域边界范围;2020年10月24日最新采集,提供csv格式文件,支持在线转成多级联动js代码、通用json格式,提供软件转成shp、geojson、sql、导入数据库;带浏览器里面运行的js采集源码,综合了中华人民共和国民政部、国家统计局、高德地图、腾讯地图行政区划数据 spread retract
Cancel

Releases

No release

Contributors

All

Activities

load more
can not load any more
JavaScript
1
https://gitee.com/ewintec/AreaCity-JsSpider-StatsGov.git
git@gitee.com:ewintec/AreaCity-JsSpider-StatsGov.git
ewintec
AreaCity-JsSpider-StatsGov
AreaCity-JsSpider-StatsGov
master

Search