上一篇文章使用AutoMapper来处理对象与对象之间的映射关系,本篇主要围绕定时任务和数据抓取相关的知识点并结合实际应用,在定时任务中循环处理爬虫任务抓取数据。
开始之前可以删掉之前测试用的几个HelloWorld,没有什么实际意义,直接干掉吧。抓取数据我主要用到了,HtmlAgilityPack
和PuppeteerSharp
,一般情况下HtmlAgilityPack
就可以完成大部分的数据抓取需求了,当在抓取动态网页的时候可以用到PuppeteerSharp
,同时PuppeteerSharp
还支持将图片保存为图片和PDF等牛逼的功能。
关于这两个库就不多介绍了,不了解的请自行去学习。
先在.BackgroundJobs
层安装两大神器:Install-Package HtmlAgilityPack
、Install-Package PuppeteerSharp
。我在使用Package Manager安装包的时候一般都不喜欢指定版本号,因为这样默认是给我安装最新的版本。
之前无意中发现爱思助手的网页版有很多手机壁纸(https://www.i4.cn/wper_4_0_1_1.html),于是我就动了小心思,把所有手机壁纸全部抓取过来自嗨,可以看看我个人博客中的成品吧:https://meowv.com/wallpaper ????????????
最开始我是用Python实现的,现在我们在.NET中抓它。
我数了一下,一共有20个分类,直接在.Domain.Shared
层添加一个壁纸分类的枚举WallpaperEnum.cs
。
//WallpaperEnum.cs
using System.ComponentModel;namespace Meowv.Blog.Domain.Shared.Enum
{public enum WallpaperEnum{[Description("美女")]Beauty = 1,[Description("型男")]Sportsman = 2,[Description("萌娃")]CuteBaby = 3,[Description("情感")]Emotion = 4,[Description("风景")]Landscape = 5,[Description("动物")]Animal = 6,[Description("植物")]Plant = 7,[Description("美食")]Food = 8,[Description("影视")]Movie = 9,[Description("动漫")]Anime = 10,[Description("手绘")]HandPainted = 11,[Description("文字")]Text = 12,[Description("创意")]Creative = 13,[Description("名车")]Car = 14,[Description("体育")]PhysicalEducation = 15,[Description("军事")]Military = 16,[Description("节日")]Festival = 17,[Description("游戏")]Game = 18,[Description("苹果")]Apple = 19,[Description("其它")]Other = 20,}
}
查看原网页可以很清晰的看到,每一个分类对应了一个不同的URL,于是手动创建一个抓取的列表,列表内容包括URL和分类,然后我又想用多线程来访问URL,返回结果。新建一个通用的待抓项的类,起名为:WallpaperJobItem.cs
,为了规范和后续的壁纸查询接口,我们放在.Application.Contracts
层中。
//WallpaperJobItem.cs
using Meowv.Blog.Domain.Shared.Enum;namespace Meowv.Blog.Application.Contracts.Wallpaper
{public class WallpaperJobItem<T>{/// <summary>/// <see cref="Result"/>/// </summary>public T Result { get; set; }/// <summary>/// 类型/// </summary>public WallpaperEnum Type { get; set; }}
}
WallpaperJobItem<T>
接受一个参数T,Result的类型由T决定,在.BackgroundJobs
层Jobs文件夹中新建一个任务,起名叫做:WallpaperJob.cs
吧。老样子,继承IBackgroundJob
。
//WallpaperJob.cs
using Meowv.Blog.Application.Contracts.Wallpaper;
using Meowv.Blog.Domain.Shared.Enum;
using System.Collections.Generic;
using System.Threading.Tasks;namespace Meowv.Blog.BackgroundJobs.Jobs.Wallpaper
{public class WallpaperJob : IBackgroundJob{public async Task ExecuteAsync(){var wallpaperUrls = new List<WallpaperJobItem<string>>{new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_1_1.html", Type = WallpaperEnum.Beauty },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_58_1.html", Type = WallpaperEnum.Sportsman },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_66_1.html", Type = WallpaperEnum.CuteBaby },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_4_1.html", Type = WallpaperEnum.Emotion },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_3_1.html", Type = WallpaperEnum.Landscape },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_9_1.html", Type = WallpaperEnum.Animal },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_13_1.html", Type = WallpaperEnum.Plant },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_64_1.html", Type = WallpaperEnum.Food },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_11_1.html", Type = WallpaperEnum.Movie },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_5_1.html", Type = WallpaperEnum.Anime },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_34_1.html", Type = WallpaperEnum.HandPainted },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_65_1.html", Type = WallpaperEnum.Text },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_2_1.html", Type = WallpaperEnum.Creative },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_10_1.html", Type = WallpaperEnum.Car },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_14_1.html", Type = WallpaperEnum.PhysicalEducation },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_63_1.html", Type = WallpaperEnum.Military },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_17_1.html", Type = WallpaperEnum.Festival },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_15_1.html", Type = WallpaperEnum.Game },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_12_1.html", Type = WallpaperEnum.Apple },new WallpaperJobItem<string> { Result = "https://www.i4.cn/wper_4_19_7_1.html", Type = WallpaperEnum.Other }};}}
}
先构建一个要抓取的列表 wallpaperUrls,这里准备用 HtmlAgilityPack
,默认只抓取第一页最新的数据。
public async Task RunAsync()
{...var web = new HtmlWeb();var list_task = new List<Task<WallpaperJobItem<HtmlDocument>>>();wallpaperUrls.ForEach(item =>{var task = Task.Run(async () =>{var htmlDocument = await web.LoadFromWebAsync(item.Result);return new WallpaperJobItem<HtmlDocument>{Result = htmlDocument,Type = item.Type};});list_task.Add(task);});Task.WaitAll(list_task.ToArray());
}
上面这段代码,先new了一个HtmlWeb
对象,我们主要用这个对象去加载我们的URL。
web.LoadFromWebAsync(...)
,它会返回一个HtmlDocument
对象,这样就和上面的list_task对应起来,从而也应证了前面添加的WallpaperJobItem
是通用的一个待抓项的类。
循环处理 wallpaperUrls,等待所有请求完成。这样就拿到了20个HtmlDocument
,和它的分类,接下来就可以去处理list_task就行了。
在开始处理之前,要想好抓到的图片数据存放在哪里?我这里还是选择存在数据库中,因为有了之前的自定义仓储之增删改查的经验,可以很快的处理这件事情。
添加实体类、自定义仓储、DbSet、Code-First等一些列操作,就不一一介绍了,我相信看过之前文章的人都能完成这一步。
Wallpaper实体类包含主键Guid,标题Title,图片地址Url,类型Type,和一个创建时间CreateTime。
自定义仓储包含一个批量插入的方法:BulkInsertAsync(...)
。
贴一下完成后的图片,就不上代码了,如果需要可以去GitHub获取。
回到WallpaperJob
,因为我们要抓取的是图片,所以获取到HTML中的img标签就可以了。
查看源代码发现图片是一个列表呈现的,并且被包裹在//article[@id='wper']/div[@class='jbox']/div[@class='kbox']
下面,学过XPath语法的就很容易了,关于XPath语法这里也不做介绍了,对于不会的这里有一篇快速入门的文章:XPath语法 。
利用XPath Helper工具我们在浏览器上模拟一下选择的节点是否正确。
使用//article[@id='wper']/div[@class='jbox']/div[@class='kbox']/div/a/img
可以成功将图片高亮,说明我们的语法是正确的。
public async Task RunAsync()
{...var wallpapers = new List<Wallpaper>();foreach (var list in list_task){var item = await list;var imgs = item.Result.DocumentNode.SelectNodes("//article[@id='wper']/div[@class='jbox']/div[@class='kbox']/div/a/img[1]").ToList();imgs.ForEach(x =>{wallpapers.Add(new Wallpaper{Url = x.GetAttributeValue("data-big", ""),Title = x.GetAttributeValue("title", ""),Type = (int)item.Type,CreateTime = x.Attributes["data-big"].Value.Split("/").Last().Split("_").First().TryToDateTime()});});}...
}
在 foreach 循环中先拿到当前循环的Item对象,即WallpaperJobItem<HtmlDocument>
。
通过.DocumentNode.SelectNodes()
语法获取到图片列表,因为在a标签下面有两个img标签,取第一个即可。
GetAttributeValue()
是HtmlAgilityPack
的扩展方法,用于直接获取属性值。
在看图片的时候,发现图片地址的规则是根据时间戳生成的,于是用TryToDateTime()
扩展方法将其处理转换成时间格式。
这样我们就将所有图片按分类存进了列表当中,接下来调用批量插入方法。
在构造函数中注入自定义仓储IWallpaperRepository
。
...private readonly IWallpaperRepository _wallpaperRepository;public WallpaperJob(IWallpaperRepository wallpaperRepository){_wallpaperRepository = wallpaperRepository;}
...
...var urls = (await _wallpaperRepository.GetListAsync()).Select(x => x.Url);wallpapers = wallpapers.Where(x => !urls.Contains(x.Url)).ToList();if (wallpapers.Any()){await _wallpaperRepository.BulkInsertAsync(wallpapers);}
因为抓取的图片可能存在重复的情况,我们需要做一个去重处理,先查询到数据库中的所有的URL列表,然后在判断抓取到的url是否存在,最后调用BulkInsertAsync(...)
批量插入方法。
这样就完成了数据抓取的全部逻辑,在保存数据到数据库之后我们可以进一步操作,比如:写日志、发送邮件通知等等,这里大家自由发挥吧。
写一个扩展方法每隔3小时执行一次。
...public static void UseWallpaperJob(this IServiceProvider service){var job = service.GetService<WallpaperJob>();RecurringJob.AddOrUpdate("壁纸数据抓取", () => job.ExecuteAsync(), CronType.Hour(1, 3));}
...
最后在模块内中调用。
...public override void OnApplicationInitialization(ApplicationInitializationContext context){...service.UseWallpaperJob();}
编译运行,打开Hangfire界面手动执行看看效果。
完美,数据库已经存入了不少数据了,还是要提醒一下:爬虫有风险,抓数需谨慎。
Hangfire定时处理爬虫任务,用HtmlAgilityPack
抓取数据后存入数据库,你学会了吗?????????????
开源地址:https://github.com/Meowv/Blog/tree/blog_tutorial