SpringBoot任务——JSoup+定时任务定时爬取微博热搜至数据库

文章目录

SpringBoot任务——JSoup+定时任务定时爬取微博热搜至数据库
- 0.前言
- 1.导入JSoup依赖
- 2.测试爬取微博热搜
- 3. 配合定时任务注解实现定时爬取至数据库
- - 3.1 导入依赖与配置MySQL
  - 3.2 热搜实体类与对应的数据表
  - 3.3 使用MyBatisPlus写实体类对应的Mapper
  - 3.4 @Scheduled注解实现定时执行爬取
  - 3.5 @EnableScheduling注解开启定时任务
  - 3.6 运行走起

0.前言

截至本文写完：

微博热搜的网址为：https://s.weibo.com/top/summary 如有变化，自行百度微博热搜。
HTML源码中，热搜数据在table标签中，而且第一个置顶的热搜没有热度。有时候还有推荐(应该是广告)
刷新后可能会有不同结果，几率还挺大，我也是服了。

如下图所示：

1.导入JSoup依赖

        <!--   jsoup HTML解析库     --><!-- https://mvnrepository.com/artifact/org.jsoup/jsoup --><dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.13.1</version></dependency>

2.测试爬取微博热搜

微博热搜的网址： https://s.weibo.com/top/summary

Ctrl+U查看HTML源码，可知热搜数据以table显示,Jsoup爬取table标签中的内容，搜索一下便可…

我是参考这篇博客：[Java jsoup table 中获取td和tr]( http://www.yq1012.com/myweb/2162.html )

由此可知爬取table标签中的内容还是很简单的，在测试类中试试，代码加注释如下：

    @Testvoid TestCrawlingHotSearch() {try {String urlStr = "https://s.weibo.com/top/summary";final Document doc = Jsoup.connect(urlStr).get();//获取htmlElements trs = doc.select("tbody").select("tr");//获取tbody下的所有tr下的html内容for (org.jsoup.nodes.Element tr : trs) {Elements tds = tr.select("td");String rank = tds.get(0).text();//排名String num = tds.get(1).select("span").text();//热度指数String title = tds.get(1).select("a").text();//热搜标题String url = tds.get(1).select("a").attr("href");//热搜URL网址(相对地址)String baseurl = "https://s.weibo.com";//和上述url组成完整可访问的单个热搜URL//以 排名+热搜标题+热搜指数+有效URL的形式输出System.out.println(rank + " " + title + " " + num + " " + baseurl + url);}} catch (IOException e) {e.printStackTrace();}}

测试结果如下：2020.03.02 21点44分爬取的微博热搜：热搜榜上只有50条，最上面的是置顶的，没有热搜指数。接下来的定时任务中把这个去掉，那个for循环从1开始即可。

28个省份恢复省际省内道路客运  https://s.weibo.com/weibo?q=%2328%E4%B8%AA%E7%9C%81%E4%BB%BD%E6%81%A2%E5%A4%8D%E7%9C%81%E9%99%85%E7%9C%81%E5%86%85%E9%81%93%E8%B7%AF%E5%AE%A2%E8%BF%90%23&Refer=new_time
1 孙杨公布完整血样瓶 6140146 https://s.weibo.com/weibo?q=%23%E5%AD%99%E6%9D%A8%E5%85%AC%E5%B8%83%E5%AE%8C%E6%95%B4%E8%A1%80%E6%A0%B7%E7%93%B6%23&Refer=top
2 高鑫去口罩厂做义工 3514533 https://s.weibo.com/weibo?q=%23%E9%AB%98%E9%91%AB%E5%8E%BB%E5%8F%A3%E7%BD%A9%E5%8E%82%E5%81%9A%E4%B9%89%E5%B7%A5%23&Refer=top
3 韩国新冠肺炎定点医院16名护士辞职 2636260 https://s.weibo.com/weibo?q=%23%E9%9F%A9%E5%9B%BD%E6%96%B0%E5%86%A0%E8%82%BA%E7%82%8E%E5%AE%9A%E7%82%B9%E5%8C%BB%E9%99%A216%E5%90%8D%E6%8A%A4%E5%A3%AB%E8%BE%9E%E8%81%8C%23&Refer=top
4 余文乐 2355872 https://s.weibo.com/weibo?q=%E4%BD%99%E6%96%87%E4%B9%90&Refer=top
5 偶像失声 2011436 https://s.weibo.com/weibo?q=%E5%81%B6%E5%83%8F%E5%A4%B1%E5%A3%B0&Refer=top
6 马云回赠日本100万只口罩 1627005 https://s.weibo.com/weibo?q=%23%E9%A9%AC%E4%BA%91%E5%9B%9E%E8%B5%A0%E6%97%A5%E6%9C%AC100%E4%B8%87%E5%8F%AA%E5%8F%A3%E7%BD%A9%23&Refer=top
....

其实关于热搜的爬取到这就没了，后面其实就是加了springboot中的定时任务和MybatisPlus实现了定时爬取热搜至数据库。
关于定时任务和MybatisPlus简单整合可查看：
SpringBoot任务——定时任务
SpringBoot数据访问——整合MybatisPlus

3. 配合定时任务注解实现定时爬取至数据库

3.1 导入依赖与配置MySQL

这里用到了lombok插件+MybatisPlus+MySQL，导入相关依赖：

        <!--        MySQL驱动--><dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><scope>runtime</scope></dependency><!--        Lombok插件--><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId><optional>true</optional></dependency><!--        mybatis-plus 启动器--><dependency><groupId>com.baomidou</groupId><artifactId>mybatis-plus-boot-starter</artifactId><version>3.3.1.tmp</version></dependency>

在application.proterties或者新建一个application.yml配置文件，配置MySQL数据源：

默认的application.proterties

#mysql数据源配置
spring.datasource.driver-class-name=com.mysql.jdbc.Driver
spring.datasource.url=jdbc:mysql://*.*.*.*:3306/数据库名称
spring.datasource.username=账号
spring.datasource.password=密码

yml格式：

#mysql数据源配置
spring:datasource:username: 账号password: 密码url: jdbc:mysql://*.*.*.*:3306/数据库名称driver-class-name: com.mysql.jdbc.Driver

3.2 热搜实体类与对应的数据表

简单方便起见，这里都用了字符串类型…我太懒了

实体类：

import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
//id 时间 排名 热搜标题 热搜指数 有效URL
@Data
@AllArgsConstructor
@NoArgsConstructor
public class HotSearch {String id;//UUID生成String date;//时间格式：yyyy-MM-dd HH:mm:ssString rank;String title;String number;String url;
}

数据表：

3.3 使用MyBatisPlus写实体类对应的Mapper

使其具备基本的CRUD功能。

import com.baomidou.mybatisplus.core.mapper.BaseMapper;
import com.piao.springboot_scheduled_jsoup.Entity.HotSearch;
import org.apache.ibatis.annotations.Mapper;@Mapper
public interface HotSearchMapper extends BaseMapper<HotSearch> {}

3.4 @Scheduled注解实现定时执行爬取

在之前的基础上加了时间和ID，通过hotSearchMapper将数据插入数据当中。

@Service
public class MyJSoupService {@ResourceHotSearchMapper hotSearchMapper;//定时爬取微博热搜 每天中午12点爬@Scheduled(cron ="0 50 22 * * *")public void CrawlingHotSearch() {try {String urlStr = "https://s.weibo.com/top/summary";final Document doc = Jsoup.connect(urlStr).get();Elements trs = doc.select("tbody").select("tr");for (int i = 1; i < trs.size(); i++) {Elements tds = trs.get(i).select("td");String rank = tds.get(0).text();//排名String num = tds.get(1).select("span").text();//热度指数String title = tds.get(1).select("a").text();//标题String url = tds.get(1).select("a").attr("href");//热搜详细（标题+热度）String baseurl="https://s.weibo.com";//基址//时间SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");//设置日期格式String date = df.format(new Date());// new Date()为获取当前系统时间，也可使用当前时间戳//idString hotSearchId= UUID.randomUUID()+"";//以 id+时间+排名+热搜标题+热搜指数+有效URL的形式输出System.out.println("id:"+hotSearchId+" 时间"+date+" 排名"+rank+" 标题"+title+" 热搜指数"+num+" 有效URL"+baseurl+url);hotSearchMapper.insert(new HotSearch(hotSearchId,date,rank,title,num,baseurl+url));//插入单条热搜数据}} catch (IOException e) {e.printStackTrace();}}
}

3.5 @EnableScheduling注解开启定时任务

别忘了使用@EnableScheduling注解标注在类上开启定时任务，这里标注在的启动类上：

@EnableScheduling
@SpringBootApplication
@MapperScan("com.piao.springboot_scheduled_jsoup.mapper")
public class SpringbootScheduledJsoupApplication {public static void main(String[] args) {SpringApplication.run(SpringbootScheduledJsoupApplication.class, args);}}

3.6 运行走起

我测试把时间调为22.52执行了，结果如下：

控制台正常输出：

数据库正常写入50条热搜数据：