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

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

转载于：https://github.com/Meowv/Blog

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 😝😝😝

图片

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
{
///
///
///
public T Result { get; set; }

    /// <summary>
    /// 类型
    /// </summary>
    public WallpaperEnum Type { get; set; }
}

}
WallpaperJobItem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>
{
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_1_1.html”, Type = WallpaperEnum.Beauty },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_58_1.html”, Type = WallpaperEnum.Sportsman },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_66_1.html”, Type = WallpaperEnum.CuteBaby },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_4_1.html”, Type = WallpaperEnum.Emotion },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_3_1.html”, Type = WallpaperEnum.Landscape },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_9_1.html”, Type = WallpaperEnum.Animal },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_13_1.html”, Type = WallpaperEnum.Plant },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_64_1.html”, Type = WallpaperEnum.Food },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_11_1.html”, Type = WallpaperEnum.Movie },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_5_1.html”, Type = WallpaperEnum.Anime },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_34_1.html”, Type = WallpaperEnum.HandPainted },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_65_1.html”, Type = WallpaperEnum.Text },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_2_1.html”, Type = WallpaperEnum.Creative },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_10_1.html”, Type = WallpaperEnum.Car },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_14_1.html”, Type = WallpaperEnum.PhysicalEducation },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_63_1.html”, Type = WallpaperEnum.Military },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_17_1.html”, Type = WallpaperEnum.Festival },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_15_1.html”, Type = WallpaperEnum.Game },
new WallpaperJobItem { Result = “https://www.i4.cn/wper_4_19_12_1.html”, Type = WallpaperEnum.Apple },
new WallpaperJobItem { 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。

图片

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。

图片

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。

图片

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。

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();
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。

图片

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