kl个人博客 首页>>爬虫,搜索引擎>>java使用Jsoup精准爬取<拉勾网>招聘信息

java使用Jsoup精准爬取<拉勾网>招聘信息

java使用Jsoup精准爬取<拉勾网>招聘信息

前言

最近探究搜索引擎接触到爬虫,想做点什么有意思的事情,除了前面取了点CSDN的文章外,今天来爬一爬拉勾网的职位信息

认识JSOUP

 jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。

jsoup的主要功能如下:
1. 从一个URL,文件或字符串中解析HTML;
2. 使用DOM或CSS选择器来查找、取出数据;
3. 可操作HTML元素、属性、文本;
使用说明,中文api地址:http://www.open-open.com/jsoup/
jsoup elements对象支持类似于CSS (或jquery)的选择器语法,来实现非常强大和灵活的查找功能。.
这个select 方法在Document, Element,或Elements对象中都可以使用。且是上下文相关的,因此可实现指定元素的过滤,或者链式选择访问。
Select方法将返回一个Elements集合,并提供一组方法来抽取和处理结果。
Selector选择器概述
tagname: 通过标签查找元素,比如:a
ns|tag: 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找元素
#id: 通过ID查找元素,比如:#logo
.class: 通过class名称查找元素,比如:.masthead
[attribute]: 利用属性查找元素,比如:[href]
[^attr]: 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
[attr=value]: 利用属性值来查找元素,比如:[width=500]
[attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
[attr~=regex]: 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i)\.(png|jpe?g)]
*: 这个符号将匹配所有元素
Selector选择器组合使用
el#id: 元素+ID,比如: div#logo
el.class: 元素+class,比如: div.masthead
el[attr]: 元素+class,比如: a[href]
任意组合,比如:a[href].highlight
ancestor child: 查找某个元素下子元素,比如:可以用.body p 查找在"body"元素下的所有 p元素
parent > child: 查找某个父元素下的直接子元素,比如:可以用div.content > p 查找 p 元素,也可以用body > * 查找body标签下所有直接子元素
siblingA + siblingB: 查找在A元素之前第一个同级元素B,比如:div.head + div
siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:h1 ~ p
el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,例如:div.masthead, div.logo
伪选择器selectors
:lt(n): 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素
:gt(n):查找哪些元素的同级索引值大于n,比如: div p:gt(2)表示哪些div中有包含2个以上的p元素
:eq(n): 查找哪些元素的同级索引值与n相等,比如:form input:eq(1)表示包含一个input标签的Form元素
:has(seletor): 查找匹配选择器包含元素的元素,比如:div:has(p)表示哪些div包含了p元素
:not(selector): 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class=logo 元素的所有 div 列表
:contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup)
:containsOwn(text): 查找直接包含给定文本的元素
:matches(regex): 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login)
:matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素
注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等
可以查看Selector API参考来了解更详细的内容

重点在下面

jsoup可以很灵活的取html里的任何数据

@Component
public class LaGouCrawler extends BreadthCrawler {
    @Autowired
    private ILaGouDao iLaGouDao;
    public LaGouCrawler(){
        super("crawler", true);
    }
    @Override
    public void visit(Page page, CrawlDatums next) {
        if(page.matchUrl("http://www.lagou.com/jobs/xxxx.html")) {
            String title = page.select("title").first().text();
            Elements position= page.select("dd[class=job_request]").first().getAllElements();//职位信息
            String job=title.split("-")[0];//职位
            String jobSalary=page.select("span[class=red]").first().text();//薪资
            String jobAddress=position.get(3).text();//地区
            String jobExperience=position.get(4).text();//经验要求
            String jobEducation=position.get(5).text();//学历要求
            String jobAttribute=position.get(6).text();//全职或兼职
            String jobWelfare=position.get(7).text();//职位福利
            String jobRelease=position.get(8).text();//发布时间
            String jobPositionDetails=page.select("dd[class=job_bt]").text();//职位详情
            String jobHandleRate=page.select("span[class=data]").first().text();//简历处理率
            String jobHandleDate=page.select("span[class=data]").last().text();//处理用时
            Elements companyOne=page.select("ul[class=c_feature]").first().getAllElements();//公司信息1
            String companyName=title.split("-")[1];//公司名
            String companyField=companyOne.get(1).text();//公司领域
            String companyScale=companyOne.get(3).text();//公司规模
            String companyHomepag=companyOne.get(7).text();//公司主页
            Elements companyTwo=page.select("ul[class=c_feature]").last().getAllElements();//公司信息2
            String companyPresentSituation=companyTwo.get(1).text();//目前阶段
            Elements companyThree=page.select("dl[class=job_company]").first().getAllElements();//公司信息3
            String companyDetailedAddress=companyThree.get(22).text();//公司详细地址
           System.out.println("持久化--->"+job+"<---岗位");
            LaGou laGou= new LaGou(
                    job,
                    jobSalary,
                    jobAddress,
                    jobExperience,
                    jobEducation,
                    jobAttribute,
                    jobWelfare,
                    jobRelease,
                    jobPositionDetails,
                    jobHandleRate,
                    jobHandleDate,
                    companyName,
                    companyField,
                    companyScale,
                    companyHomepag,
                    companyPresentSituation,
                    companyDetailedAddress);
            iLaGouDao.save(laGou);
        }
    }
用数据看效果


kl个人博客