Olá Senhores, eu fiz(Pelo menos tentei) um crawler que entra no site do IBGE e acessa o link das cidades e faz o download dos CSV contendo as informações que preciso para jogar no B.I. aqui da empresa, mas acho que minha lógica está errada e não está visitando TODOS os links de cidades, ele visita apenas alguns, poderiam me ajudar?
Já tinha perguntado algo parecido em outro lugar, mas não me ajudaram :(
http://www.guj.com.br/6256-crawler-web-dados-ibge-com-jsoup
Segue o código.
import java.io.BufferedInputStream;
import java.io.ByteArrayOutputStream;
import java.io.FileOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStreamWriter;
import java.io.PrintWriter;
import java.net.MalformedURLException;
import java.net.SocketTimeoutException;
import java.net.URL;
import java.net.URLConnection;
import java.text.SimpleDateFormat;
import java.util.Date;
import org.jsoup.HttpStatusException;
import org.jsoup.Jsoup;
import org.jsoup.UnsupportedMimeTypeException;
import org.jsoup.helper.HttpConnection;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
public class craw {
public static void getLinksUF(String URL) throws IOException {
FileWriter f = new FileWriter("logs.txt", true);
PrintWriter logs = new PrintWriter(f);
Date d = new Date();
SimpleDateFormat sdf = new SimpleDateFormat("dd/MM/YYYY HH:mm");
String dataHoraFormatada = sdf.format(d);
Document doc = Jsoup.connect("http://cidades.ibge.gov.br/xtras/home.php").get();
Elements questions = doc.select("a[href]");
for (Element link : questions) {
if (link.attr("href").contains("uf.php?lang=") && !link.attr("href").contains("lang=_"))
try {
System.out.println(link.attr("abs:href"));
getLinksCidadesPerfil(link.attr("abs:href"));
}catch (SocketTimeoutException e) {
}catch (HttpStatusException e) {
}
}
logs.close();
}
public static void getLinksCidadesPerfil(String URL) throws IOException {
FileWriter f = new FileWriter("logs.txt", true);
PrintWriter logs = new PrintWriter(f);
Date d = new Date();
SimpleDateFormat sdf = new SimpleDateFormat("dd/MM/YYYY HH:mm");
String dataHoraFormatada = sdf.format(d);
Document doc = Jsoup.connect(URL).get();
Elements questions = doc.select("a[href]");
for (Element link : questions) {
if (link.attr("href").contains("perfil.php?lang=&codmun=") && !link.attr("href").contains("lang=_"))
System.out.println(link.attr("abs:href"));
getLinksCidadesSintese(link.attr("abs:href"));
}
logs.close();
}
public static void getLinksCidadesSintese(String URL) throws IOException {
FileWriter f = new FileWriter("logs.txt", true);
PrintWriter logs = new PrintWriter(f);
Date d = new Date();
SimpleDateFormat sdf = new SimpleDateFormat("dd/MM/YYYY HH:mm");
String dataHoraFormatada = sdf.format(d);
Document doc = Jsoup.connect(URL).get();
Elements questions = doc.select("a[href]");
for (Element link : questions) {
if (link.attr("href").contains("idtema=16") && !link.attr("href").contains("lang=_") && !link.attr("href").contains("csv.php?lang="))
System.out.println(link.attr("abs:href"));
getLinksCidadesClass(link.attr("abs:href"));
}
logs.close();
}
public static void getLinksCidadesClass(String URL) throws IOException {
InputStream is = null;
BufferedInputStream buf = null;
FileOutputStream grava = null;
FileWriter f = new FileWriter("logs.txt", true);
PrintWriter logs = new PrintWriter(f);
String outputFolder = "C:\\Users\\rbrasil\\Desktop\\Imagem\\";
Date d = new Date();
SimpleDateFormat sdf = new SimpleDateFormat("dd/MM/YYYY HH:mm");
String dataHoraFormatada = sdf.format(d);
Document doc = Jsoup.connect(URL).get();
Elements titulo = doc.select(".csv");
Elements valor = doc.select("span[class=municipio titulo]");
Elements estado = doc.select(".uf");
for (Element linkTitulo : titulo) {
try {
if(linkTitulo.attr("href").contains("idtema=16") && !linkTitulo.attr("href").contains("lang=_EN")){
System.out.println("Estado: " + estado.text() + " - Cidade: " + valor.text() +" - Link Download: "+ linkTitulo.attr("abs:href"));
logs.write("Estado: " + estado.text() + " - Cidade: " + valor.text() +" - Link Download: "+ linkTitulo.attr("abs:href"));
//OutputStreamWriter out = new OutputStreamWriter(new FileOutputStream(new java.io.File(outputFolder + valor.text())));
//out.write(linkTitulo.attr("abs:href"));
URL url = new URL(linkTitulo.attr("abs:href"));
url.getHost();
url.getFile();
url.getPort();
url.getUserInfo();
URLConnection con = url.openConnection();
buf = new BufferedInputStream(con.getInputStream());
grava = new FileOutputStream("C:\\Users\\rbrasil\\Desktop\\Imagem\\" + estado.text() + " - " + valor.text() + ".csv");
int i = 0;
byte[] bytesIn = new byte[1024];
while ((i = buf.read(bytesIn)) >= 0) {
grava.write(bytesIn, 0, i);
}
if (buf != null) {
buf.close();
}
if (grava != null) {
grava.close();
}
}
}catch (NullPointerException e) {
}
}
logs.close();
}
public static void main(String[] args) throws IOException {
getLinksUF("");
}
}