Java 爬取 51job 数据 WebMagic实现

Java 爬取 51job 数据

一、项目Maven环境配置

相关依赖 jar 包配置

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>2.0.2.RELEASE</version>

<properties>
    <java.version>1.8</java.version>
</properties>

<dependencies>
    <!--SpringMVC-->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>

    <!--SpringData Jpa-->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-data-jpa</artifactId>
    </dependency>

    <!--MySQL连接包-->
    <dependency>
        <groupId>mysql</groupId>
        <artifactId>mysql-connector-java</artifactId>
    </dependency>

    <!--WebMagic核心包-->
    <dependency>
        <groupId>us.codecraft</groupId>
        <artifactId>webmagic-core</artifactId>
        <version>0.7.3</version>
        <exclusions>
            <exclusion>
                <groupId>org.slf4j</groupId>
                <artifactId>slf4j-log4j12</artifactId>
            </exclusion>
        </exclusions>
    </dependency>
    <!--WebMagic扩展-->
    <dependency>
        <groupId>us.codecraft</groupId>
        <artifactId>webmagic-extension</artifactId>
        <version>0.7.3</version>
    </dependency>
    <!--WebMagic对布隆过滤器的支持-->
    <dependency>
        <groupId>com.google.guava</groupId>
        <artifactId>guava</artifactId>
        <version>16.0</version>
    </dependency>

    <!--工具包-->
    <dependency>
        <groupId>org.apache.commons</groupId>
        <artifactId>commons-lang3</artifactId>
    </dependency>
</dependencies>

application.properties 配置文件

#DB Configuration:
spring.datasource.driverClassName=com.mysql.jdbc.Driver
spring.datasource.url=jdbc:mysql://127.0.0.1:3306/crawler
spring.datasource.username=root
spring.datasource.password=root

#JPA Configuration:
spring.jpa.database=MySQL
spring.jpa.show-sql=true

二、相关类

pojo 类

@Entity
public class JobInfo {

@Id
@GeneratedValue(strategy = GenerationType.IDENTITY)
private Long id;
private String companyName;
private String companyAddr;
private String companyInfo;
private String jobName;
private String jobAddr;
private String jobInfo;
private Integer salaryMin;
private Integer salaryMax;
private String url;
private String time;
... toString() 、 get/set()方法略    

}

dao 类

public interface JobInfoDao extends JpaRepository<JobInfo,Long> {}

Service 类

public interface JobInfoService {
    /**
     * 保存工作信息
     *
     * @param jobInfo
     */
    public void save(JobInfo jobInfo);


    /**
     * 根据条件查询工作信息
     *
     * @param jobInfo
     * @return
     */
    public List<JobInfo> findJobInfo(JobInfo jobInfo);
}

ServiceImpl 类

@Service
public class JobInfoServiceImpl implements JobInfoService {

    @Autowired
    private JobInfoDao jobInfoDao;

    //  查询原有的数据
    //  判断数据库是否有已存在的数据
    //  如果存在，就执行更新
    //  不存在，就执行新增
    @Override
    @Transactional
    public void save(JobInfo jobInfo) {
        //  根据查询结果是否为空
        JobInfo param = new JobInfo();
        param.setUrl(jobInfo.getUrl());
        param.setTime(jobInfo.getTime());
        //  执行查询
        List<JobInfo> list = this.findJobInfo(param);
        //  判断查询结果是否为空
        if (list.size()==0){
            //  如果查询结果为空，表示招聘信息数据不存在，或者已经更新了，需要新增或更新数据库
            this.jobInfoDao.saveAndFlush(jobInfo);  //  新增或更新方法
        }
    }

    @Override
    public List<JobInfo> findJobInfo(JobInfo jobInfo) {
        //  设置查询条件
        Example example = Example.of(jobInfo);
        //  执行查询
        List list = this.jobInfoDao.findAll(example);
        return list;
    }
}

功能实现类 Task

@Component
public class JobProcessor implements PageProcessor {

    private String url = "https://search.51job.com/list/000000,000000,0000,32%252C01,9,99,java,2,1.html?lang=c&stype=&postchannel=0000" +
            "&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0" +
            "&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=";

    @Override
    public void process(Page page) {
        //  解析页面，获取招聘信息详情的url地址
        List<Selectable> list = page.getHtml().css("div#resultList div.el").nodes();
        //  判断获取到的集合是否为空
        if (list.size()==0){
            //  如果为空，表示这是招聘详情页,解析页面，获取招聘详情信息，保存数据
            this.saveJobInfo(page);
        }else {
            //  如果不为空，表示这是列表页，解析出详情页的url地址，放到任务队列中
            for (Selectable selectable : list) {
                //  获取到url地址
                String JobInfoUrl = selectable.links().toString();
                //  把获取到url地址放到任务队列中
                page.addTargetRequest(JobInfoUrl);
            }
            //  获取下一列功能的url
            String nextUrl = page.getHtml().css("div.p_in li.bk").nodes().get(1).links().toString();
            //  把url放到任务队列中
            page.addTargetRequest(nextUrl);
        }
    }

		/**
     * 解析页面，获取招聘详情信息，保存数据
     * @param page
     */
    private void saveJobInfo(Page page) {
		//  创建招聘详情对象
        JobInfo jobInfo = new JobInfo();
        //  解析页面
        Html html = page.getHtml();
		//  获取数据，封装到对象中
    	//  公司名字
        jobInfo.setCompanyName(html.css("div.cn p.cname a", "text").toString());
		//  公司地址
        String cAddr = Jsoup.parse(html.css("div.cn p.ltype", "text").toString()).text().replace("-","");
        cAddr = cAddr.substring(0,6);
        jobInfo.setCompanyAddr(cAddr);
		//  公司信息
        jobInfo.setCompanyInfo(Jsoup.parse(html.css("div.tmsg", "text").toString()).text());
		//  工作名字
        jobInfo.setJobName(html.css("div.cn h1", "text").toString());
		//  工作地址
        String jAddr = Jsoup.parse(html.css("div.bmsg").nodes().get(1).toString()).text();
        //	部分公司暂没有填写公司详细地址，得非空判断
        if (StringUtils.isBlank(jAddr)){
            jobInfo.setJobAddr(jobInfo.getCompanyAddr());
        }else {
            jAddr = jAddr.replace("地图","");
            jobInfo.setJobAddr(jAddr);
        }
		//  工作信息
        jobInfo.setJobInfo(Jsoup.parse(html.css("div.job_msg").toString()).text());
		//  个人薪水
        Integer[] salary = MathSalarys.getSalary(html.css("div.cn strong", "text").toString());
        jobInfo.setSalaryMin(salary[0]);
        jobInfo.setSalaryMax(salary[1]);
		//  发布时间
        String time = Jsoup.parse(html.css("div.cn p.msg", "text").toString()).text();
        int length = time.lastIndexOf("发布");
        jobInfo.setTime(time.substring(length-5,length));
		//  url地址
        jobInfo.setUrl(page.getUrl().toString());
		//  把结果保存起来，等待 ResultItem获取 获取
        page.putField("jobInfo",jobInfo);

    }

    private Site site = Site.me()
            .setCharset("gbk")      //  设置字符集
            .setTimeOut(10*1000)     // 设置超时时间
            .setRetrySleepTime(3000) // 设置重试时间的间隔
            .setRetryTimes(3);  // 设置重试次数

    @Override
    public Site getSite() {
        return site;
    }

    @Autowired
    private SpringDataPipeline pipeline;

    //  initialDelay：当任务启动后，等等多久执行方法
    //  fixedDelay：每隔多久执行方法
    @Scheduled(initialDelay = 1000,fixedDelay = 10000)
    public void process(){
        Spider.create(new JobProcessor())
                .addUrl(url)
                .setScheduler(new QueueScheduler().setDuplicateRemover(new BloomFilterDuplicateRemover(100000)))
                .thread(10)
                .addPipeline(pipeline)
                .run();
    }

}

这里面用到了一个 统计工资的工具类 MathSalary

public class MathSalary {


    /**
     * 获取薪水范围
     *
     * @param salaryStr
     * @return
     */
    public static Integer[] getSalary(String salaryStr) {
        //声明存放薪水范围的数组
        Integer[] salary = new Integer[2];

        //"500/天"
        //0.8-1.2万/月
        //5-8千/月
        //5-6万/年
        String date = salaryStr.substring(salaryStr.length() - 1, salaryStr.length());
        //如果是按天，则直接乘以240进行计算
        if (!"月".equals(date) && !"年".equals(date)) {
            salaryStr = salaryStr.substring(0, salaryStr.length() - 2);
            salary[0] = salary[1] = str2Num(salaryStr, 240);
            return salary;
        }

        String unit = salaryStr.substring(salaryStr.length() - 3, salaryStr.length() - 2);
        String[] salarys = salaryStr.substring(0, salaryStr.length() - 3).split("-");

        salary[0] = mathSalary(date, unit, salarys[0]);
        salary[1] = mathSalary(date, unit, salarys[1]);

        return salary;
        
    }

    //根据条件计算薪水
    private static Integer mathSalary(String date, String unit, String salaryStr) {
        Integer salary = 0;

        //判断单位是否是万
        if ("万".equals(unit)) {
            //如果是万，薪水乘以10000
            salary = str2Num(salaryStr, 10000);
        } else {
            //否则乘以1000
            salary = str2Num(salaryStr, 1000);
        }

        //判断时间是否是月
        if ("月".equals(date)) {
            //如果是月，薪水乘以12
            salary = str2Num(salary.toString(), 12);
        }

        return salary;
    }

    private static int str2Num(String salaryStr, int num) {
        try {
            // 把字符串转为小数，必须用Number接受，否则会有精度丢失的问题
            Number result = Float.parseFloat(salaryStr) * num;
            return result.intValue();
        } catch (Exception e) {
        }
        return 0;
    }

}

导出数据到数据库相关类 Pipeline

@Component
public class SpringDataPipeline implements Pipeline {

    @Autowired
    private JobInfoService jobInfoService;

    @Override
    public void process(ResultItems resultItems, Task task) {
        //  获取我们封装好的招聘详情对象
        JobInfo jobInfo = resultItems.get("jobInfo");
        //  判断我们的数据是否不为空
        if (jobInfo != null){
            //   不为空就保存到数据库中
            this.jobInfoService.save(jobInfo);
        }
    }
}

引导类 Application

@SpringBootApplication
@EnableScheduling// 开启定时任务
public class Application {

    public static void main(String[] args) {

        SpringApplication.run(Application.class,args);

    }

}

结果展示：

整理了以下，可能会出现以下问题，可自行修改

//  String index out of range: -1: 存在部分字符串越界问题，应该是截取那里除了问题
//  Data too long for column 'job_addr' at row 1: 数据库的字符集出错，将数据库数据类型换成了longtext  长度不用设置
//  failed: connect timed out: 有可能是网络问题，网络不畅通会有超时的现象
//  could not execute statement: 数据库中有字段不允许为空，而我们提交的数据中却没有提交该字段的值，就会造成这个异常。