webmagic-爬取51招聘信息

2024-02-09 00:48
文章标签 51 信息 爬取 招聘 webmagic

本文主要是介绍webmagic-爬取51招聘信息,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

点击资料或前往github查看源码WebMagic

如果是采用@Autowired注入变量,则当前类的实例,必须也是spring 容器注入才能成功注入,应该也采用@Autowired注入,要不就不要new需要注入其他对象的当前类

使用springboot开启定时任务,使用自定义pipeline将数据存储到数据库,根据传入的url获取页面,和jquery相似的选择器方法解析页面存入自己想得到的信息,有些数据有几个标签,获取文本内容不要用css()方法,要加上jsoup解析,text()方法可以获取到所有文本内容,而css要选中标签,用了两种标签数据就会出现问题。
ps:爬取前查看得到的html,会与网页的不一样

package com.example.demo.task;import com.example.demo.pojo.JobInfo;
import com.example.demo.utils.MathSalary;
import com.fasterxml.jackson.core.JsonProcessingException;
import com.fasterxml.jackson.databind.JsonNode;import com.fasterxml.jackson.databind.ObjectMapper;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.scheduling.annotation.Scheduled;
import org.springframework.stereotype.Component;
import org.springframework.util.StringUtils;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.scheduler.BloomFilterDuplicateRemover;
import us.codecraft.webmagic.scheduler.QueueScheduler;
import us.codecraft.webmagic.selector.Selectable;import java.util.Date;@Component
public class JobProcessor implements PageProcessor {private String url = "https://search.51job.com/list/030200,000000,0000,00,9,99,java,2,1.html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=";@Autowiredprivate ObjectMapper objectMapper;private int count = 1;@Overridepublic void process(Page page) {//爬取解析的与页面不同,此次爬取得到数据中是以json形式存在script中String jsonString = page.getHtml().css("script").regex(".*SEARCH_RESULT.*").toString();//不为空即为招聘页if (!StringUtils.isEmpty(jsonString)) {//截取json类型字符串String substring = jsonString.substring(jsonString.indexOf("{"), jsonString.lastIndexOf("}") + 1);try {JsonNode jsonNode = objectMapper.readTree(substring);JsonNode array = jsonNode.get("engine_search_result");if (array.isArray()) {for (JsonNode node : array) {//获取详情链接String detailUrl = node.get("job_href").asText();page.addTargetRequest(detailUrl);page.addTargetRequest(detailUrl);}// 获取下一页的urlString bkUrl = "https://search.51job.com/list/030200,000000,0000,00,9,99,java,2," + (++count) + ".html?lang=c&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&ord_field=0&dibiaoid=0&line=&welfare=";//                    // 把url放到任务队列中page.addTargetRequest(bkUrl);} else {count = 0;return;}//} catch (JsonProcessingException e) {e.printStackTrace();}} else {//进入详情页,保存数据到实体类,再通过page.putfiled(即resultItems)给Pipeline传入数据库saveJobInfo(page);}}//解析详情页private void saveJobInfo(Page page) {JobInfo jobInfo = new JobInfo();Selectable detailInfo = page.getHtml().css("div.tCompany_center");if (detailInfo == null) {return;}String addr = detailInfo.css(".ltype[title]").toString();jobInfo.setCompanyName(detailInfo.css("p.cname a", "text").toString());jobInfo.setCompanyAddr(addr.substring(addr.lastIndexOf("=") + 1, addr.indexOf("&")).trim());jobInfo.setCompanyInfo(detailInfo.css("div.tBorderTop_box div.tmsg", "text").toString().trim());jobInfo.setJobAddr(detailInfo.css("div.tBorderTop_box div.bmsg>p.fp", "text").toString());jobInfo.setJobInfo(Jsoup.parse(detailInfo.css("div.job_msg").toString()).text());jobInfo.setJobName(detailInfo.css("div.cn h1", "text").toString());// 设置当前链接jobInfo.setUrl(page.getUrl().toString());// 获取薪资// 有的没有写薪资, 先获取薪资的字符串String salaryText = detailInfo.css("div.cn strong", "text").toString();// 看看是否没有薪资这个字段if (!StringUtils.isEmpty(salaryText)) {// 使用工具类转换薪资字符串Integer[] salary = MathSalary.getSalary(salaryText);jobInfo.setSalaryMin(salary[0]);jobInfo.setSalaryMax(salary[1]);} else {// 没有则设为零jobInfo.setSalaryMax(0);jobInfo.setSalaryMin(0);}jobInfo.setTime((new Date().getYear() + 1900) + "-" + addr.substring(addr.lastIndexOf("发") - 5, addr.lastIndexOf("发")));page.putField("jobInfo", jobInfo);}//网页编码格式private Site site = Site.me().setCharset("gbk")//超时时间10s.setTimeOut(10000)//重试次数3次.setRetryTimes(3)//重试间隔时间3s.setSleepTime(3000);@Overridepublic Site getSite() {return site;}@Autowiredprivate JobInfoPipeline jobInfoPipeline;@Scheduled(initialDelay = 1000, fixedDelay = 100 * 1000)public void process() {Spider.create(this)//自定义PipeLine存入数据库中.addPipeline(jobInfoPipeline)//设置爬取url.addUrl(url)//线程数10.thread(10)//使用内存任务设置Bloom过滤去重器,初始化10万位空间.setScheduler(new QueueScheduler().setDuplicateRemover(new BloomFilterDuplicateRemover(100000))).run();//运行Spider}
}

这篇关于webmagic-爬取51招聘信息的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/692690

相关文章

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今,数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形

C#实现系统信息监控与获取功能

《C#实现系统信息监控与获取功能》在C#开发的众多应用场景中,获取系统信息以及监控用户操作有着广泛的用途,比如在系统性能优化工具中,需要实时读取CPU、GPU资源信息,本文将详细介绍如何使用C#来实现... 目录前言一、C# 监控键盘1. 原理与实现思路2. 代码实现二、读取 CPU、GPU 资源信息1.

在C#中获取端口号与系统信息的高效实践

《在C#中获取端口号与系统信息的高效实践》在现代软件开发中,尤其是系统管理、运维、监控和性能优化等场景中,了解计算机硬件和网络的状态至关重要,C#作为一种广泛应用的编程语言,提供了丰富的API来帮助开... 目录引言1. 获取端口号信息1.1 获取活动的 TCP 和 UDP 连接说明:应用场景:2. 获取硬

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR(光学

C#实现获取电脑中的端口号和硬件信息

《C#实现获取电脑中的端口号和硬件信息》这篇文章主要为大家详细介绍了C#实现获取电脑中的端口号和硬件信息的相关方法,文中的示例代码讲解详细,有需要的小伙伴可以参考一下... 我们经常在使用一个串口软件的时候,发现软件中的端口号并不是普通的COM1,而是带有硬件信息的。那么如果我们使用C#编写软件时候,如

通过C#获取PDF中指定文本或所有文本的字体信息

《通过C#获取PDF中指定文本或所有文本的字体信息》在设计和出版行业中,字体的选择和使用对最终作品的质量有着重要影响,然而,有时我们可能会遇到包含未知字体的PDF文件,这使得我们无法准确地复制或修改文... 目录引言C# 获取PDF中指定文本的字体信息C# 获取PDF文档中用到的所有字体信息引言在设计和出

C#读取本地网络配置信息全攻略分享

《C#读取本地网络配置信息全攻略分享》在当今数字化时代,网络已深度融入我们生活与工作的方方面面,对于软件开发而言,掌握本地计算机的网络配置信息显得尤为关键,而在C#编程的世界里,我们又该如何巧妙地读取... 目录一、引言二、C# 读取本地网络配置信息的基础准备2.1 引入关键命名空间2.2 理解核心类与方法

使用Python检查CPU型号并弹出警告信息

《使用Python检查CPU型号并弹出警告信息》本教程将指导你如何编写一个Python程序,该程序能够在启动时检查计算机的CPU型号,如果检测到CPU型号包含“I3”,则会弹出一个警告窗口,感兴趣的小... 目录教程目标方法一所需库步骤一:安装所需库步骤二:编写python程序步骤三:运行程序注意事项方法二

PostgreSQL如何查询表结构和索引信息

《PostgreSQL如何查询表结构和索引信息》文章介绍了在PostgreSQL中查询表结构和索引信息的几种方法,包括使用`d`元命令、系统数据字典查询以及使用可视化工具DBeaver... 目录前言使用\d元命令查看表字段信息和索引信息通过系统数据字典查询表结构通过系统数据字典查询索引信息查询所有的表名可

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测