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

Linux查看系统盘和SSD盘的容量、型号及挂载信息的方法

《Linux查看系统盘和SSD盘的容量、型号及挂载信息的方法》在Linux系统中,管理磁盘设备和分区是日常运维工作的重要部分,而lsblk命令是一个强大的工具,它用于列出系统中的块设备(blockde... 目录1. 查看所有磁盘的物理信息方法 1:使用 lsblk(推荐)方法 2:使用 fdisk -l(

SpringBoot如何对密码等敏感信息进行脱敏处理

《SpringBoot如何对密码等敏感信息进行脱敏处理》这篇文章主要为大家详细介绍了SpringBoot对密码等敏感信息进行脱敏处理的几个常用方法,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录​1. 配置文件敏感信息脱敏​​2. 日志脱敏​​3. API响应脱敏​​4. 其他注意事项​​总结

springboot实现配置文件关键信息加解密

《springboot实现配置文件关键信息加解密》在项目配置文件中常常会配置如数据库连接信息,redis连接信息等,连接密码明文配置在配置文件中会很不安全,所以本文就来聊聊如何使用springboot... 目录前言方案实践1、第一种方案2、第二种方案前言在项目配置文件中常常会配置如数据库连接信息、Red

Go语言开发实现查询IP信息的MCP服务器

《Go语言开发实现查询IP信息的MCP服务器》随着MCP的快速普及和广泛应用,MCP服务器也层出不穷,本文将详细介绍如何在Go语言中使用go-mcp库来开发一个查询IP信息的MCP... 目录前言mcp-ip-geo 服务器目录结构说明查询 IP 信息功能实现工具实现工具管理查询单个 IP 信息工具的实现服

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Linux下如何使用C++获取硬件信息

《Linux下如何使用C++获取硬件信息》这篇文章主要为大家详细介绍了如何使用C++实现获取CPU,主板,磁盘,BIOS信息等硬件信息,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录方法获取CPU信息:读取"/proc/cpuinfo"文件获取磁盘信息:读取"/proc/diskstats"文

一文详解SQL Server如何跟踪自动统计信息更新

《一文详解SQLServer如何跟踪自动统计信息更新》SQLServer数据库中,我们都清楚统计信息对于优化器来说非常重要,所以本文就来和大家简单聊一聊SQLServer如何跟踪自动统计信息更新吧... SQL Server数据库中,我们都清楚统计信息对于优化器来说非常重要。一般情况下,我们会开启"自动更新

Python如何获取域名的SSL证书信息和到期时间

《Python如何获取域名的SSL证书信息和到期时间》在当今互联网时代,SSL证书的重要性不言而喻,它不仅为用户提供了安全的连接,还能提高网站的搜索引擎排名,那我们怎么才能通过Python获取域名的S... 目录了解SSL证书的基本概念使用python库来抓取SSL证书信息安装必要的库编写获取SSL证书信息

Win32下C++实现快速获取硬盘分区信息

《Win32下C++实现快速获取硬盘分区信息》这篇文章主要为大家详细介绍了Win32下C++如何实现快速获取硬盘分区信息,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 实现代码CDiskDriveUtils.h#pragma once #include <wtypesbase

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