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
