分析
要爬的网站是 前程无忧 https://jobs.51job.com/shanghai-hpq/42713907.html?s=01&t=1
流程分析
我们需要解析职位列表页,获取职位的详情页,再解析页面获取数据。
获取url地址的流程如下
但是在这里有个问题:在解析页面的时候,很可能会解析出相同的url地址(例如商品标题和商品图片超链接,而且url一样),如果不进行处理,同样的url会解析处理多次,浪费资源。所以我们需要有一个url去重的功能。
Scheduler组件。
WebMagic提供了Scheduler可以帮助我们解决以上问题。
Scheduler 是WebMagic 中进行URL管理的组件。一般来说,Scheduler包括
- 对待抓取的URL队列进行管理。
- 对已抓取的URL进行去重。
WebMagic内置了几个常用的scheduler。如果你只是在本地执行规模比较小的爬虫,那么基本无需定制Scheduler,但是了解一下已经提供的几个Scheduler还是有意义的。
去重部分被单独抽象成了一个接口:DuplicateRemover,从而可以为同一个Scheduler选择不同的去重方式,以适应不同的需要,目前提供了两种去重方式。
RedisScheduler 是使用Redis的set 进行去重,其他的Scheduler默认都使用HashSetDuplicateRemover来进行去重。
三种去重方式
-
HashSet使用java中的Hashset不能重复的特点去重。优点是容易理解。使用方便。
缺点:占用内存大,性能较低。 -
Redis去重
A使用Redis的set进行去重。优点是速度快(Redis本身速度就很快),而且去重不会占用爬虫服务器的资源,可以处理更大数据量的数据爬去。
缺点:需要准备Redis服务器,增加开发和使用成本。 -
布隆过滤器(BloomFilter)
使用布隆过滤器也可以实现去重。优点是占用的内存要比使用HashSet要小的多,也适合大量数据的去重操作。
缺点:有误判的可能。没有重复可能会判定重复,但是重复数据一定会判定重复。
布隆过滤器(Bloom Filter)是由Burton Howard Bloom于1970年提出,它是一种space efficient的概率型数据结构,用于判断一个元素是否在集合中。在垃圾邮件过滤的黑白名单方法、爬虫(Crawler)的网址判重模块中等等经常被用到。
哈希表也能用于判断元素是否在集合中,但是布隆过滤器只需要哈希表的1/8或1/4的空间复杂度就能完成同样的问题。布隆过滤器可以插入元素,但不可以删除已有元素。其中的元素越多,误报率越大,但是漏报是不可能的。。
原理:
布隆过滤器需要的是一个位数组(和位图类似)和K个映射函数(和Hash表类似),在初始状态时,对于长度为m的位数组array,它的所有位被置0。
对于有n个元素的集合S={S1,52…Sn},通过k个映射函数{f1,f2…….fk},将集合S中的每个元素Sj(1<=j<=n)映射为K个值(g1,g2…gk},然后再将位数组array中相对应的array[g1],aray[g2]……arraylgk]置为1:
如果要查找某个元素item是否在S中,则通过映射函数{1,f2.…fk}得到k个值{81,g2…gk},然后再判断 arraylg1],array[g2]…array[gk]是否都为1,若全为1,则item在s中,否则item不在s中。
布隆过滤器会造成一定的误判,因为集合中的若干个元素通过映射之后得到的数值恰巧包括g1,g2.…gk,在这种情况下可能会造成误判,但是概率很小。
环境准备
建立数据库
CREATE TABLE job_info(
id BIGINT(20) NOT NULL AUTO_INCREMENT,
company_name VARCHAR(100) DEFAULT NULL,
company_addr VARCHAR(200) DEFAULT NULL,
company_info VARCHAR( 5000) DEFAULT NULL,
job_name VARCHAR(100) DEFAULT NULL,
job_info VARCHAR( 5000) DEFAULT NULL,
salary_min int(10) DEFAULT NULL,
salary_max int(10) DEFAULT NULL,
url VARCHAR(150) DEFAULT NULL,
time VARCHAR(10) DEFAULT NULL,PRIMARY KEY(id)
)DEFAULT CHARSET = utf8
建表如下:
Maven配置
<!-- https://mvnrepository.com/artifact/junit/junit -->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
<!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-core -->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.7.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-extension -->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.7.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/mysql/mysql-connector-java -->
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>8.0.16</version>
</dependency>
<!-- https://mvnrepository.com/artifact/com.github.alexandrnikitin/bloom-filter -->
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>16.0</version>
</dependency>
结构:
创建JobInfo对象
与数据库对应
package spider.info;
public class JobInfo {
private Long id;
private String companyName;
private String companyAddr;
private String companyInfo;
private String jobName;
private String jobInfo;
private Integer salaryMin;
private Integer salaryMax;
private String url;
private String time;
public Long getId() {
return id;
}
public String getCompanyName() {
return companyName;
}
public String getCompanyAddr() {
return companyAddr;
}
public String getCompanyInfo() {
return companyInfo;
}
public String getJobName() {
return jobName;
}
public String getJobInfo() {
return jobInfo;
}
public Integer getSalaryMin() {
return salaryMin;
}
public Integer getSalaryMax() {
return salaryMax;
}
public String getUrl() {
return url;
}
public String getTime() {
return time;
}
public void setId(Long id) {
this.id = id;
}
public void setCompanyName(String companyName) {
this.companyName = companyName;
}
public void setCompanyAddr(String companyAddr) {
this.companyAddr = companyAddr;
}
public void setCompanyInfo(String companyInfo) {
this.companyInfo = companyInfo;
}
public void setJobName(String jobName) {
this.jobName = jobName;
}
public void setJobInfo(String jobInfo) {
this.jobInfo = jobInfo;
}
public void setSalaryMin(Integer salaryMin) {
this.salaryMin = salaryMin;
}
public void setSalaryMax(Integer salaryMax) {
this.salaryMax = salaryMax;
}
public void setUrl(String url) {
this.url = url;
}
public void setTime(String time) {
this.time = time;
}
}
SpiderGoGO.java
实现爬虫的核心功能
package spider.todo;
import org.jsoup.Jsoup;
import spider.info.JobInfo;
import spider.utils.SalaryMath;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Html;
import us.codecraft.webmagic.selector.Selectable;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class SpiderGoGO implements PageProcessor {
private Site site = Site.me()
.setCharset("gbk") //设置编码
.setTimeOut(10*1000) //设置超时时间
.setSleepTime(3000) //设置重试间隔时间
.setRetryTimes(3); //设置重试次数
public void process(Page page) {
//解析页面 获取信息详情的url
List<Selectable> list = page.getHtml().css("div.el p.t1 span a").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 保存数据
saveJobInfo(page); //调用方法保存数据 这个方法写下面啦
}else {
//如果不为空 表示这是列表页 解析出详情页的url 放到任务队列中
for (Selectable selectable:list){
//获取url地址
String jobInfo = selectable.links().toString();
//把获取的url地址放到任务队列中
page.addTargetRequest(jobInfo);
}
//获取下一页的的url
String s = page.getHtml().css("div.p_in li.bk").regex("<a[\\s\\S]*?下一页</a>").toString();
// 按指定模式在字符串查找
String pattern = "<a href=\"(.*)\"";
// 创建 Pattern 对象
Pattern r = Pattern.compile(pattern);
// 现在创建 matcher 对象
Matcher m = r.matcher(s);
if (m.find( )) {
String url = m.group(1);
//把下一页的url加入任务队列中
//***************************************************************************
page.addTargetRequest(url);
//***************************************************************************
}
}
}
//解析页面,获取招聘详情信息.保存数据
private void saveJobInfo(Page page){
//创建招聘详情对象
JobInfo jobInfo = new JobInfo();
//解析解析页面
Html html = page.getHtml();
//保存数据,封装到对象中
jobInfo.setCompanyAddr(Jsoup.parse(html.css("div.bmsg").nodes().get(1).toString()).text());
jobInfo.setCompanyInfo(Jsoup.parse(html.css("div.tmsg").toString()).text());
jobInfo.setCompanyName(html.css("div.cn p.cname a","text").toString());
// jobInfo.setId(); ID不写 是自增的
jobInfo.setJobInfo(Jsoup.parse(html.css("div.job_msg").toString()).text());
jobInfo.setJobName(html.css("div.cn h1","text").toString());
//获取薪资
Integer[] salary = SalaryMath.getSalary(html.css("div.cn strong", "text").toString());
jobInfo.setSalaryMax(salary[1]);
jobInfo.setSalaryMin(salary[0]);
//获取发布时间
String content = Jsoup.parse(html.css("div.cn p").regex(".*发布").toString()).text();
jobInfo.setTime(content.substring(content.length()-7,content.length()-2));
jobInfo.setUrl(page.getUrl().toString());
// 上面的内容设置完成后将结果保存在内存中
page.putField("JobInfo",jobInfo);
//实际上数据存放在resultItems中
}
public Site getSite() {
return site;
}
}
DataPipline.java
实现数据库存储的功能
package spider.todo;
import spider.info.JobInfo;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;
import java.sql.*;
public class DataPipline implements Pipeline {
public void process(ResultItems resultItems, Task task) {
//获取封装号的招聘详情对象
JobInfo jobInfo = resultItems.get("JobInfo");
//判断数据是否不为空
if(jobInfo != null){
//保存自数据库中
Connection conn;
//注册驱动
try {
Class.forName("com.mysql.cj.jdbc.Driver");
//获取数据库连接对象 Connection
conn = DriverManager.getConnection("jdbc:mysql://localhost:3306/spider?useUnicode=true&characterEncoding=utf-8&useSSL=false&serverTimezone=UTC","root","root");
//定义sql
String sql="insert into job_info (company_name,company_addr,company_info,job_name,job_info,salary_min,salary_max,url,time) " +
"values(?,?,?,?,?,?,?,?,?);";
//给?赋值
PreparedStatement pstmt = conn.prepareStatement(sql);
pstmt.setString(1,jobInfo.getCompanyName());
pstmt.setString(2,jobInfo.getCompanyAddr());
pstmt.setString(3,jobInfo.getCompanyInfo());
pstmt.setString(4,jobInfo.getJobName());
pstmt.setString(5,jobInfo.getJobInfo());
pstmt.setInt(6,jobInfo.getSalaryMin());
pstmt.setInt(7,jobInfo.getSalaryMax());
pstmt.setString(8,jobInfo.getUrl());
pstmt.setString(9,jobInfo.getTime());
//执行sql,接受返回结果
int count = pstmt.executeUpdate();
//处理结果
System.out.println(count);
//释放资源
conn.close();
pstmt.close();
} catch (ClassNotFoundException e) {
e.printStackTrace();
} catch (SQLException e) {
e.printStackTrace();
}
}
}
}
爬取的信息 中的公司给的工资有以年为单位的 有以月的 这里转换一下
SalaryMath.java
package spider.utils;
public class SalaryMath{
public static Integer[] getSalary(String salaryStr) {
//声明存放薪水范围的数组
Integer[] salary = new Integer[2];
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1000
salary = str2Num(salaryStr, 1000);
} else {
//否则乘以100
salary = str2Num(salaryStr, 100);
}
//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;
}
}
测试类
package spiderTest;
import org.junit.Test;
import spider.todo.DataPipline;
import spider.todo.SpiderGoGO;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.scheduler.BloomFilterDuplicateRemover;
import us.codecraft.webmagic.scheduler.QueueScheduler;
public class SpiderTest {
@Test
public void main(){
long startTime, endTime;
System.out.println("开始爬取数据");
startTime = System.currentTimeMillis();
String url = "https://search.51job.com/list/010000%252C020000,000000,0000,00,9,99,Java%2B%25E5%2590%258E%25E5%258F%25B0,2,1.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99°reefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=1&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=";
Spider.create(new SpiderGoGO())
.addUrl(url)
.setScheduler(new QueueScheduler().setDuplicateRemover(new BloomFilterDuplicateRemover(100000)))
.thread(10)
.addPipeline(new DataPipline()) //存储数据
.run();
endTime = System.currentTimeMillis();
System.err.println("爬取结束,耗时约" + ((endTime - startTime) / 1000) + "秒");
}
}
结果:
这里爬取了 1000条数据