Java爬虫拉勾网招聘信息生成Excel表格
来源:互联网 发布:lol英雄联盟单机版mac 编辑:程序博客网 时间:2024/04/28 09:46
项目地址
https://github.com/ishare20/JobInformation
思路:
- 明确需要爬取的信息
- 分析网页结构
- 分析爬取流程
- 优化
明确需要爬取的信息
职位名称
工资
职位描述
公司名称
公司主页
详情网页
分析网页结构
目标网站 拉勾网
网站使用json作为交互数据,分析json数据,需要的json关键数据
totalCount :查询总数,用来算页数,每个页面显示15条,总数/15得到页数,大于30只能显示30页
positionId :位置id,用来进入详情页,详情页网址结构为https://www.lagou.com/jobs/positionId.html
详情页网页分析:查看需要的信息所在的位置,使用Jsoup来解析网页
分析爬取流程
1.获取所有的positionId生成详情页,存放在一个存放网址列表中List joburls
2.获取每个详情页并解析为Job类,得到一个存放Job类的列表List jobList
3.把List jobList存进Excel表格中
Java操作Excel需要用到jxl
关键代码实现
public List<String> getJobUrls(String gj,String city,String kd){ String pre_url="https://www.lagou.com/jobs/"; String end_url=".html"; String url; if (gj.equals("")){ url="http://www.lagou.com/jobs/positionAjax.json?px=default&city="+city+"&needAddtionalResult=false&first=false&pn="+pn+"&kd="+kd; }else { url="https://www.lagou.com/jobs/positionAjax.json?gj="+gj+"&px=default&city="+city+"&needAddtionalResult=false&first=false&pn="+pn+"&kd="+kd; } String rs=getJson(url); System.out.println(rs); int total= JsonPath.read(rs,"$.content.positionResult.totalCount");//获取总数 int pagesize=total/15; if (pagesize>=30){ pagesize=30; } System.out.println(total); // System.out.println(rs); List<Integer> posid=JsonPath.read(rs,"$.content.positionResult.result[*].positionId");//获取网页id for (int j=1;j<=pagesize;j++){ //获取所有的网页id pn++; //更新页数 url="https://www.lagou.com/jobs/positionAjax.json?gj="+gj+"&px=default&city="+city+"&needAddtionalResult=false&first=false&pn="+pn+"&kd="+kd; String rs2=getJson(url); List<Integer> posid2=JsonPath.read(rs2,"$.content.positionResult.result[*].positionId"); posid.addAll(posid2); //添加解析的id到第一个list } List<String> joburls=new ArrayList<>(); //生成网页列表 for (int id:posid){ String url3=pre_url+id+end_url; joburls.add(url3); } return joburls; }
public Job getJob(String url){ //获取工作信息 Job job=new Job(); Document document= null; document = Jsoup.parse(getJson(url)); job.setJobname(document.select(".name").text()); job.setSalary(document.select(".salary").text()); String joball=HtmlTool.tag(document.select(".job_bt").select("div").html());//清除html标签 job.setJobdesc(joball);//职位描述包含要求 job.setCompany(document.select(".b2").attr("alt")); Elements elements=document.select(".c_feature"); //System.out.println(document.select(".name").text()); job.setCompanysite(elements.select("a").attr("href")); //获取公司主页 job.setJobdsite(url); return job; }
void insertExcel(List<Job> jobList) throws IOException, BiffException, WriteException { int row=1; Workbook wb = Workbook.getWorkbook(new File(JobCondition.filename)); WritableWorkbook book = Workbook.createWorkbook(new File(JobCondition.filename), wb); WritableSheet sheet=book.getSheet(0); for (int i=0;i<jobList.size();i++){ //遍历工作列表,一行行插入到表格中 sheet.addCell(new Label(0,row,jobList.get(i).getJobname())); sheet.addCell(new Label(1,row,jobList.get(i).getSalary())); sheet.addCell(new Label(2,row,jobList.get(i).getJobdesc())); sheet.addCell(new Label(3,row,jobList.get(i).getCompany())); sheet.addCell(new Label(4,row,jobList.get(i).getCompanysite())); sheet.addCell(new Label(5,row,jobList.get(i).getJobdsite())); row++; } book.write(); book.close(); }
优化
在爬取比较多数据的时候,很慢,分析整个流程:
从网址详情页列表List joburls中获取第一个网址————>获取网页并解析————>添加到工作列表List jobList中;
从网址详情页列表List joburls中获取第二个网址————>获取网页并解析————>添加到工作列表List jobList中;
……循环到网页列表结束,每次执行都需要等待前一个执行完才可以重新发起请求获取网页,这时可以使用多线程来优化,开启多线程获取网页,主线程等下获取网页的子线程结束后,再执行写入Excel表格操作。
遇到的问题
有时候抓取太快,直接返回错误信息
抓取次数太多,被禁止访问,隔了一段时间才可以
网站有反爬虫机制
忘了一个重要的问题,还要分析这些数据
参考资料:
https://jsoup.org/
http://www.cnblogs.com/raymond19840709/archive/2008/06/26/1230289.html
https://github.com/json-path/JsonPath
- Java爬虫拉勾网招聘信息生成Excel表格
- java生成Excel表格
- JAVA生成excel表格
- Java 生成Excel表格
- Java生成excel表格
- Java读取Excel表格信息。
- java导出Excel表格信息
- java 生成自定义excel表格
- "新方法"爬虫==拉勾网招聘信息
- python爬虫爬取豆瓣书籍信息并生成表格
- Java读取excel表格的信息
- java生成excel表格并添加数据
- java生成excel表格(List)
- java Excel表格生成工具类
- Java使用poi生成Excel表格
- Python爬虫实战一之使用Beautiful Soup抓取百度招聘信息并存储excel文件
- 加载Excel表格信息
- [python爬虫] 招聘信息定时系统 (二).调用pyinstaller包生成exe文件
- StringBuilder、StringBuffer和String三者的联系和区别
- 最全的常用正则表达式大全
- 数据结构二叉树的实现(#表示空结点)
- C++与C语言的区别
- Activity页面之间的数据传递
- Java爬虫拉勾网招聘信息生成Excel表格
- C++学习之路C++Primer学习笔记(四)_变量
- JQuery
- pd建表
- 关于EditText屏蔽Emoji表情及屏蔽其它非法字符带来的光标不准确问题
- 快排二
- Linux 命令笔记
- 在 Eclipse 中,开发 Android 项目的常用快捷键介绍
- Sleep()函数和wait()函数的区别