案例分析-爬虫（51job网站的信息）

最新推荐文章于 2024-05-01 14:35:23 发布

韩利鹏

最新推荐文章于 2024-05-01 14:35:23 发布

阅读量853

点赞数

爬虫案例

爬虫介绍
技术说明
- jsoup使用介绍
代码实现
番外篇（获取图片）
番外篇（url编码和解码）

爬虫介绍

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
网络爬虫主要应用有两个方面，一方面用于检索，例如百度，谷歌等网站；另一方面用于爬取指定的有用数据（例如今天要使用的）。

技术说明

本次爬取的数据是51job网站的岗位数据，使用的是jsoup工具类

jsoup使用介绍

引入所需要的依赖(httpclient后面有使用到)

<!-- https://mvnrepository.com/artifact/commons-httpclient/commons-httpclient -->
	<dependency>
	    <groupId>commons-httpclient</groupId>
	    <artifactId>commons-httpclient</artifactId>
	    <version>3.1</version>
	</dependency>
	<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
	<dependency>
	    <groupId>org.jsoup</groupId>
	    <artifactId>jsoup</artifactId>
	    <version>1.8.3</version>
	</dependency>

主要介绍了怎么使用jsoup获取对象，怎么定位节点，怎么获取节点数据。

package cn.pengpeng.day04.test;

import java.io.IOException;
import java.net.URL;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**
 * jsoup工具的使用 jsoup 解析html
 * 
 * Document extends Element 父子关系 
 * Elements = new ArrayList<Element>();
 * @author pengpeng
 *
 */
public class TestJsoup {
	public static void main(String[] args) throws Exception {

	}

	/**
	 * 获取值
	 * 1：标签对内的值  <a href="">value</a>    text
	 * 2:属性值 获取 href   .attr
	 * 
	 */
	public static void getValue() {
		// 获取数据
		Document dom = getDom();
		Elements select = dom.select("#resultList .el a");

		for (Element element : select) {
			// System.out.println(element.text());
			System.out.println(element.attr("title"));
			System.out.println("----------");
		}
	}

	/**
	 * 定位分为三种 id，class，标签
	 * 
	 * select css选择器 id形式查找--> #id class形式---> .class 标签形式---> a 复合使用 空格分开的是
	 * 前一个标签查找结果内再查找
	 */
	public static void findElement() {
		// 定位
		Document dom = getDom();
		Element elementById = dom.getElementById("languagelist");
		// System.out.println(elementById);

		// 通过标签
		Elements elementsByTag = dom.getElementsByTag("a");
		/*
		 * for (Element element : elementsByTag) { System.out.println(element);
		 * }
		 */

		Elements elementsByClass = dom.getElementsByClass("checkbox");
		/*
		 * for (Element element : elementsByClass) {
		 * System.out.println(element); System.out.println("---------"); }
		 */

		// 混合使用 通过id ---> class ---> tag ---> class
		// 使用css选择器
		// id形式查找--> #id class形式---> .class 标签形式---> a
		// 复合使用 空格分开的是 前一个标签查找结果内再查找
		Elements select = dom.select("#languagelist li a");
		for (Element element : select) {
			System.out.println(element);
			System.out.println("------");
		}
	}

	/**
	 * 获取网站的所有数据
	 */
	public static Document getDom() {
		String uu = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE,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=";

		// 根据url解析成dom树
		try {
			URL url = new URL(uu);
			Document dom = Jsoup.parse(url, 4000);
			return dom;
		} catch (IOException e) {
			e.printStackTrace();
		}
		return null;
	}
}

代码实现

需求

爬取51job网站的大数据相关的岗位
51job岗位薪资

数据封装

把岗位数据封装到JavaBean里面

package cn.pengpeng.day04.bean;

/**
 * 岗位数据的封装
 * @author pengpeng
 *
 */
public class JobBean {
	private String jobName;
	private String comName;
	private String addr;
	private String salary;
	private String date;
	public void set (String jobName, String comName, String addr, String salary, String date) {
		this.jobName = jobName;
		this.comName = comName;
		this.addr = addr;
		this.salary = salary;
		this.date = date;
	}
	public String getJobName() {
		return jobName;
	}
	public void setJobName(String jobName) {
		this.jobName = jobName;
	}
	public String getComName() {
		return comName;
	}
	public void setComName(String comName) {
		this.comName = comName;
	}
	public String getAddr() {
		return addr;
	}
	public void setAddr(String addr) {
		this.addr = addr;
	}
	public String getSalary() {
		return salary;
	}
	public void setSalary(String salary) {
		this.salary = salary;
	}
	public String getDate() {
		return date;
	}
	public void setDate(String date) {
		this.date = date;
	}
	@Override
	public String toString() {
		return "JobBean [jobName=" + jobName + ", comName=" + comName + ", addr=" + addr + ", salary=" + salary
				+ ", date=" + date + "]";
	}
}

封装页面信息到pagebean里面

package cn.pengpeng.day04.bean;
import org.jsoup.nodes.Document;

/**
 * 封装页面信息
 * @author pengpeng
 */
public class PageBean {
	private Document dom;
	private String nextUrl;
	private boolean hasNextPage;
	public Document getDom() {
		return dom;
	}
	public void setDom(Document dom) {
		this.dom = dom;
	}
	public String getNextUrl() {
		return nextUrl;
	}
	public void setNextUrl(String nextUrl) {
		this.nextUrl = nextUrl;
	}
	public boolean isHasNextPage() {
		return hasNextPage;
	}
	public void setHasNextPage(boolean hasNextPage) {
		this.hasNextPage = hasNextPage;
	}
	@Override
	public String toString() {
		return "PageBean [dom=" + dom + ", nextUrl=" + nextUrl + ", hasNextPage=" + hasNextPage + "]";
	}
}

爬取数据

爬取数据的主类主要有以下几个方法

getDom(String url) 通过url获取整个网站的html代码
getJobs(PageBean pageBean) 通过PageBean(Dom)来获取岗位数据
getNextUrl(PageBean pageBean) 判断是否有下一页，并且获取下一页的url
main 提供开始爬取的网址，构造循环的逻辑

package cn.pengpeng.day04;

import java.io.IOException;
import java.net.URL;
import java.util.ArrayList;
import java.util.List;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import cn.pengpeng.day04.bean.JobBean;
import cn.pengpeng.day04.bean.PageBean;

/**
 * 爬取51job岗位信息
 * @author pengpeng
 *
 */
public class TestMain {
	
	public static void main(String[] args) {
		String startUrl = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE,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=";
		String endUrl = "https://search.51job.com/list/000000,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE,2,1070.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=";
		String testUrl = "https://search.51job.com/list/220200,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE,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=";
		
		Document dom = getDom(testUrl);
		PageBean pageBean = new PageBean();
		pageBean.setDom(dom);
		int count = 0;
		while(true){
			System.out.println("第"+(++count)+"页：");
			List<JobBean> jobs = getJobs(pageBean);
			//处理数据
			for (JobBean jobBean : jobs) {
				System.out.println(jobBean);
			}
			//获取下一页
			getNextUrl(pageBean);
			if(pageBean.isHasNextPage()){
				String nextUrl = pageBean.getNextUrl();
				Document dom2 = getDom(nextUrl);
				pageBean.setDom(dom2);
			}else{//没有下一页的时候
				break;
			}
			//休息一下
			try {
				Thread.sleep(1000);
			} catch (InterruptedException e) {
				e.printStackTrace();
			}	
		}	
	}
	
	/**
	 * 获取下一页的的url，判断是否有下一页
	 * @param pageBean
	 */
	private static void getNextUrl(PageBean pageBean) {
		Document dom = pageBean.getDom();
		Elements select = dom.select(".bk");
		Element element = select.get(1);
		Elements select2 = element.select("a");
		if(select2.size()==0){
			pageBean.setHasNextPage(false);
		}else{//有下一页
			String nextUrl = select2.attr("href");
			pageBean.setNextUrl(nextUrl);
			pageBean.setHasNextPage(true);
		}
	}
	
	/**
	 * 获取岗位数据
	 * @param pageBean
	 * 
	 */
	private static List<JobBean> getJobs(PageBean pageBean) {
		List<JobBean> list = new ArrayList<>();
		Document dom = pageBean.getDom();
		Elements select = dom.select("#resultList .el");
		select.remove(0);//删除第一个数据节点
		for (Element element : select) {
			String jobName = element.select(".t1 a").attr("title");
			String comName = element.select(".t2 a").attr("title");
			String addr = element.select(".t3").text();
			String salary = element.select(".t4").text();
			String date = element.select(".t5").text();
			JobBean jobBean = new JobBean();
			jobBean.set(jobName, comName, addr, salary, date);
			list.add(jobBean);
		}
		return list;
	}
	/**
	 * 获取网页所有数据
	 * @param url
	 * @return
	 */
	public static Document getDom(String url){	
		try {
			Document dom = Jsoup.parse(new URL(url), 4000);
			return dom;
		} catch (IOException e) {
			e.printStackTrace();
		}
		return null;
	}
}

番外篇（获取图片）

jsoup是对html进行解析的工具，如果想获取图片，mp3,mp4等资源，可以使用HttpClient配合着jsoup使用下载图片等资源。
HttpClient下载图片如下使用方式：

package cn.pengpeng.day04.test;

import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;

import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpException;
import org.apache.commons.httpclient.HttpMethod;
import org.apache.commons.httpclient.methods.GetMethod;

/**
 * 怎么下载图片
 * @author pengpeng
 *
 */
public class TestJpg {
	public static void main(String[] args) throws Exception {
		String uri = "https://img04.51jobcdn.com/im/2016/logo/logo_20jubilee_116x46.png";
		
		//可以类似于浏览器对象
		HttpClient httpClient = new HttpClient();
		
		//uri 资源统一定位     url也是uri的一种
		HttpMethod method = new GetMethod(uri);
		
		//执行，类似于浏览器访问指定的网址
		httpClient.executeMethod(method);
		
		//返回结果
		InputStream inputStream = method.getResponseBodyAsStream();
		FileOutputStream output = new FileOutputStream("d:/xxx.jpg");
		byte[] b = new byte[1024];
		int length = 0 ; 
		while((length = inputStream.read(b))!=-1){
			output.write(b, 0, length);
		}
		output.flush();
		output.close();
		inputStream.close();
	}
}

番外篇（url编码和解码）

如下图我们搜索的大数据相关的工作，网址栏里面并没有显示与大数据相关的字样，其实是有体现的，只是进行了编码，下面我们来看下java怎么对中文进行编码的。
编码解码

package cn.pengpeng.day04.test;

import java.net.URLDecoder;
import java.net.URLEncoder;

/**
 * url的编码和解码
 * 51job网站使用的两次进行对中文编码，所以解码的时候也需要两次解码
 * @author pengpeng
 *
 */
public class TestEncoding {
	public static void main(String[] args) throws Exception {
		//将中文进行编码
		String firstEncode = URLEncoder.encode("大数据", "utf-8");
		String secendaryEncode = URLEncoder.encode(firstEncode, "utf-8");
		System.out.println("经过两次编码后的数据为："+secendaryEncode);
		
		//将编码后的数据进行解码
		String firstDecode = URLDecoder.decode("%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE", "utf-8");
		String secendaryDecode = URLDecoder.decode(firstDecode, "utf-8");
		System.out.println("经过两次解码得到的数据："+secendaryDecode);
	}
}

本文由鹏鹏出品

更多文章请访问韩利鹏的博客

韩利鹏

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
案例分析-爬虫（51job网站的信息）

爬虫介绍网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。网络爬虫主要应用有两个方面，一方面用于检索，例如百度，谷歌等网站；另一方面用于爬取指定的有用数据（例如今天要使用的）。...
复制链接

扫一扫