爬虫文档说明

目标

java爬虫研招网 https://yz.chsi.com.cn/zsml/zyfx_search.jsp

码云地址

https://gitee.com/aluruihua/auto-move

需求

1. 打开链接，有一个post提交的框显示所在省市、招生单位、门类类别、学科类别、专业名称、学习方式六项。
2. 点击查询
3. 每个查询页面的招生单位一栏都是学校的名字，点击进入学校对应的专业。
4. 进入后的table中有一个查看超链接，点击进入。
5. 里面有这个学校对应这个专业的信息。

本次需求是爬到所有可以post提交的的最里面的页面的所有有关学校的专业的所有信息。关键字段是拟招人数和考试范围。我也是帮我一个同学爬出这些数据，放到web页面展示，由于他想看比如北京计算机专业的拟招人数和考试范围，他需要一个一个点进去看一下。这样非常浪费时间，非常麻烦。哈哈爬出来展示可能好点。主要是想练习一下简单线程池的使用。本次是一个单节点，多线程的数据爬取。不存在封ip的情况。

开发环境及框架说明

1. idea.
2. jdk 1.8.
3. spring boot 2.1.6.RELEASE.
4. hutool 4.5.10 （java兵器库）
5. quartz 2.2.3 （定时器）
6. nutz.dao 1.r.60 (数据库层操作框架)
7. jsoup 1.11.3（页面解析工具类）
8. newFixedThreadPool（线程池）

9. CyclicBarrier （栅栏）

   使用

10. 将项目down下来。
11. 在auto-move/src/resources/sql下有两个.sql文件，task是任务库，扫描任务库中状态为0的，插入bi库中，将两个sql文件导入本地mysql数据库中。

12. 任务库中的任务已经添加一些，可以直接启动，查看bi库中数据的插入。

代码说明

1. KaoyanThread.java

public void begin() {

        List<Task> tasks = dao.query(Task.class, Cnd.where("status", "=", 0));//使用nutz扫描任务库中状态为0的任务


        if (tasks.size()==0){
            logger.info("*********所有任务执行完毕*****************");
        } else {
            //创建线程池
            ExecutorService pool = Executors.newFixedThreadPool(size);
            CyclicBarrier cyclicBarrier = new CyclicBarrier(size);//开启栅栏

            for (int i=0;i<size;i++){
                Task task = null;
                KaoyanSonThread kaoyanSonThread = null;
                try {
                    //创建几个线程池，就将每个任务添加到线程池中
                    task = tasks.get(i);//当报null指针的时候，就是任务快完的时候，所以使用try..catch...
                }catch (Exception e){
                    logger.info("线程任务即将结束。。。。。。");
                }
                try {
                    kaoyanSonThread= new KaoyanSonThread(cyclicBarrier,dao,task);//这个类是线程类不受spring管理，通过构造注入，实现runable接口，具体看项目中代码。
                    pool.execute(kaoyanSonThread);
                }catch (Exception e){
                    logger.error("线程池错误。。。。。");
                }


            }
            //结束线程池
            pool.shutdown();
        }


    }

1. CronScheduler.java

@Component
@PropertySource(value = "classpath:run.properties",encoding = "UTF-8")
public class CronScheduler implements ApplicationRunner {

    @Autowired
    private Scheduler scheduler;

    @Value("${task-cron}")
    String cron;//通过配置文件获取自定义定时时间

    @Override
    public void run(ApplicationArguments args) throws Exception {
        //jobDetail
        JobDetail jobDetail = JobBuilder.newJob(HelloJob.class).withIdentity("cronJob").build();//定时器执行的方法HelloJob.class
        //cronTrigger
        CronTrigger cronTrigger = TriggerBuilder.newTrigger().withIdentity("cronTrigger").withSchedule(CronScheduleBuilder.cronSchedule(cron)).build();
        scheduler.scheduleJob(jobDetail,cronTrigger);
        scheduler.start();//启动定时任务

    }
}

1. 更改线程数和时间

打开run.properties文件,修改时间和线程数。本次配置为十秒钟，读3个线程。

不足之处，或者需要优化的地方可以联系我，觉得有用的给个star，谢谢。