基于 abp vNext 和 .NET Core 开发博客项目 - 定时任务最佳实战（一）

上一篇(https://www.cnblogs.com/meowv/p/12966092.html)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：https://www.cnblogs.com/meowv/p/11310538.html 。

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

巴特西

基于 abp vNext 和 .NET Core 开发博客项目 - 定时任务最佳实战（一）

最新文章

热门文章