1. 首页
  2. 未分类
  3. 正文

原创 | Golang爬虫框架初探

2022年7月27日 371点热度 0人点赞 0条评论

点击蓝字




关注我们



前言

Golang爬虫也是Go语言中比较核心的一部分，本篇就对Go爬虫的基本应用以及爬虫框架进行一个简单研究研究。


net/http实现第一个爬虫

Golang标准库中文文档(http://doc.golang.ltd/)
http包提供了HTTP客户端和服务端的实现。
import ("fmt""io/ioutil""net/http")















创建请求










常规请求方式







    

  • 

  • 

  • 

  • 

  • 

  • 



//GETresp, err := http.Get(url)//POSTresp, err := http.Post("http://example.com/upload", "image/jpeg", &buf)//PostFormresp, err := http.PostForm("http://example.com/form",url.Values{"key": {"Value"}, "id": {"123"}})







复杂请求方式


当需要在请求的时候设置头参数、cookie之类的数据，就可以使用http.Do方法。







    

  • 

  • 

  • 

  • 



client := &http.Client{}req, _ := http.NewRequest("GET", url, nil)//(参数头设置)resp, err := client.Do(req)







参数头设置


设置请求header和cookie







    

  • 

  • 

  • 

  • 

  • 



req.Header.Set("User-Agent", "*****")req.Header.Set("Cookie", "****")//也可以用Add方法req.Header.Add("User-Agent", "*****")req.Header.Add("Cookie", "****")






区别：


    

  • 

    当我们使用Set时候，如果原来这一项已存在，后面的就修改已有的。
    

    • 

  • 

    当使用Add时候，如果原本不存在，则添加，如果已存在，就不做任何修改。
    

    • 



发出请求







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



resp, err := client.Do(req)if err != nil {   fmt.Println("Http get err:", err)   return ""}if resp.StatusCode != 200 {   fmt.Println("Http status code:", resp.StatusCode)   return ""}defer resp.Body.Close()//程序在使用完回复后必须关闭回复的主体。body, err := ioutil.ReadAll(resp.Body) //ioutil.ReadAll用于读取文件或者网络请求if err != nil {   fmt.Println("Read error", err)   return ""}











重点注意下这两个地方







    

  • 

  • 



defer resp.Body.Close()//程序在使用完回复后必须关闭回复的主体。body, err := ioutil.ReadAll(resp.Body) //ioutil.ReadAll用于读取文件或者网络请求







最终调用一下定义的方法，返回请求内容







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



package main
import ("fmt""io/ioutil""net/http")
func fetch(url string) string {client := &http.Client{}req, _ := http.NewRequest("GET", url, nil)req.Header.Set("User-Agent", "1")req.Header.Set("Cookie", "1")resp, err := client.Do(req)//resp, err := http.Get(url)//若不需要请求头信息上边的内容换成这一条就可以了if err != nil {fmt.Println("Http get err:", err)return ""}if resp.StatusCode != 200 {fmt.Println("Http status code:", resp.StatusCode)return ""}defer resp.Body.Close()body, err := ioutil.ReadAll(resp.Body) //读取文件或者网络请求时if err != nil {fmt.Println("Read error", err)return ""}return string(body)}func main() {s := fetch("https://blog.csdn.net/weixin_54902210?type=lately")fmt.Println(s)}







解析页面


多了正则表达式部分







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 



import ("fmt""io/ioutil""net/http""regexp""strings")







通过正则表达式获取当前页面的，边栏链接信息


图片







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



func parse(html string) {   // 替换空格   html = strings.Replace(html, "\n", "", -1)   //正则匹配内容块   r_sidebar := regexp.MustCompile(`<aside id="sidebar" role="navigation">(.*?)</aside>`)   //从传入的html开始匹配   sidebar := r_sidebar.FindString(html)   //正则匹配链接   r_link := regexp.MustCompile(`href="(.*?)"`)   //从上方匹配的内容中再次匹配链接   link := r_link.FindAllString(sidebar, -1)   url := "https://gorm.io/zh_CN/docs/"   //切片遍历链接   for _, v := range link {      s := v[6 : len(v)-1]      url1 := url + s      fmt.Println(url1)      body := fetch(url)   }}






加上前一部分的代码







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



package main
import (   "fmt"   "io/ioutil"   "net/http"   "regexp"   "strings")
func fetch(url string) string {   client := &http.Client{}   req, _ := http.NewRequest("GET", url, nil)   req.Header.Set("User-Agent", "1")   req.Header.Set("Cookie", "1")   resp, err := client.Do(req)   //resp, err := http.Get(url)               //若不需要请求头信息上边的内容换成这一条就可以了   if err != nil {      fmt.Println("Http get err:", err)      return ""   }   if resp.StatusCode != 200 {      fmt.Println("Http status code:", resp.StatusCode)      return ""   }   defer resp.Body.Close()   body, err := ioutil.ReadAll(resp.Body) //读取文件或者网络请求时   if err != nil {      fmt.Println("Read error", err)      return ""   }   return string(body)}func parse(html string) {   // 替换空格   html = strings.Replace(html, "\n", "", -1)   //正则匹配内容块   r_sidebar := regexp.MustCompile(`<aside id="sidebar" role="navigation">(.*?)</aside>`)   //从传入的html开始匹配   sidebar := r_sidebar.FindString(html)   //正则匹配链接   r_link := regexp.MustCompile(`href="(.*?)"`)   //从上方匹配的内容中再次匹配链接   link := r_link.FindAllString(sidebar, -1)   url := "https://gorm.io/zh_CN/docs/"   //切片遍历链接   for _, v := range link {      s := v[6 : len(v)-1]      url1 := url + s      fmt.Println(url1)   }}func main() {   s := fetch("https://gorm.io/zh_CN/docs/")   parse(s)}







成功爬取边栏链接


图片


提取各页面信息


在成功提取边栏链接后，便可对各链接中的内容进行提取，这里以提取标题为例：



要提取的主体内容在<div class="article">标签中，而标题在
\<h1 class="article-title" itemprop="name">，所以可以参考上方的正则提取方式，将标题提取出来


图片


这里的切片从42开始是因为提取title后，前边会有长度42的源代码需要去掉<h1 class="article-title" itemprop="name">，后边的-5也是同理\</h1>长度为5


func parse2(body string) {   // 替换空格   body = strings.Replace(body, "\n", "", -1)   //正则匹配内容块   r_content := regexp.MustCompile(`<div class="article">(.*?)</div>`)   //从传入的body内容匹配   content := r_content.FindString(body)   //正则匹配文章标题   r_title := regexp.MustCompile(`<h1 class="article-title" itemprop="name">(.*?)</h1>`)   //从上方匹配的内容中再次匹配标题   title := r_title.FindString(content)    //切片提取title   title = title[42 : len(title)-5]   fmt.Println(title)}




之后就是需要调用parse2()了，在parse()的for循环最后加上：







    

  • 

  • 

  • 



body := fetch(url1)//启动另外一个线程处理go parse2(body)




调用fetch()方法，将正则获取的url的内容解析出来赋值给body，再将body传给parse2()，获取标题内容


图片












保存文件










提取出我们想要的内容后，下一步就是保存内容了，实现起来也比较简单用的是os库







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



import ("fmt""io/ioutil""net/http""os""regexp""strings")






定义一个save方法







    

  • 

  • 

  • 

  • 

  • 

  • 



func save(title string, content string) {   err := os.WriteFile("./crawler/file/"+title+".html", []byte(content), 0644)   if err != nil {      panic(err)   }}






在parse2()的最后调用save(title, content)，将标题和内容写入到文件中


package main
import (   "fmt"   "io/ioutil"   "net/http"   "os"   "regexp"   "strings")
func fetch(url string) string {   client := &http.Client{}   req, _ := http.NewRequest("GET", url, nil)   req.Header.Set("User-Agent", "1")   req.Header.Set("Cookie", "1")   resp, err := client.Do(req)   //resp, err := http.Get(url)               //若不需要请求头信息上边的内容换成这一条就可以了   if err != nil {      fmt.Println("Http get err:", err)      return ""   }   if resp.StatusCode != 200 {      fmt.Println("Http status code:", resp.StatusCode)      return ""   }   defer resp.Body.Close()   body, err := ioutil.ReadAll(resp.Body) //读取文件或者网络请求时   if err != nil {      fmt.Println("Read error", err)      return ""   }   return string(body)}func parse(html string) {   // 替换空格   html = strings.Replace(html, "\n", "", -1)   //正则匹配内容块   r_sidebar := regexp.MustCompile(`<aside id="sidebar" role="navigation">(.*?)</aside>`)   //从传入的html开始匹配   sidebar := r_sidebar.FindString(html)   //正则匹配链接   r_link := regexp.MustCompile(`href="(.*?)"`)   //从上方匹配的内容中再次匹配链接   link := r_link.FindAllString(sidebar, -1)   url := "https://gorm.io/zh_CN/docs/"   //切片遍历链接   for _, v := range link {      s := v[6 : len(v)-1]      url1 := url + s      fmt.Println(url1)      body := fetch(url1)      //启动另外一个线程处理      go parse2(body)   }}func parse2(body string) {   // 替换空格   body = strings.Replace(body, "\n", "", -1)   //正则匹配内容块   r_content := regexp.MustCompile(`<div class="article">(.*?)</div>`)   //从传入的body内容匹配   content := r_content.FindString(body)   //正则匹配文章标题   r_title := regexp.MustCompile(`<h1 class="article-title" itemprop="name">(.*?)</h1>`)   //从上方匹配的内容中再次匹配标题   title := r_title.FindString(content)   title = title[42 : len(title)-5]   fmt.Println(title)   save(title, content)}func save(title string, content string) {   err := os.WriteFile("./crawler/file/"+title+".html", []byte(content), 0644)   if err != nil {      panic(err)   }}func main() {   s := fetch("https://gorm.io/zh_CN/docs/")   parse(s)}




成功写入


图片












Goquery










goquery package - 
github.com/PuerkitoBio/goquery - Go Packages



goquery为Go语言带来了一种语法和一组类似于jQuery的功能。它基于Go的net/html包和CSS


Selector库cascadia。由于net/html解析器返回节点，而不是功能齐全的DOM树，因此jQuery的有状态操作函数（如height()，css()，detach()）被遗漏了。Go的著名爬虫框架colly就是基于goquery实现的。




安装







    

  • 



go get github.com/PuerkitoBio/goquery






Goquery爬虫简单实现


创建文档







    

  • 

  • 

  • 



dom, err := goquery.NewDocument(url)dom, err := goquery.NewDocumentFromResponse(url)dom, err := goquery.NewDocumentFromReader(reader io.Reader)







内容查找


主要用Find()方法，个人感觉还是通过class查找方式精确一些


dom.Find("#sidebar") //通过id查找
dom.Find(".sidebar-link") //通过class查找
dom.Find("asideid").Find("a") //通过标签链式查找




图片


内容获取







    

  • 

  • 



selection.Html()selection.Text()






属性获取







    

  • 

  • 



selection.Attr("href")selection.AttrOr("href", "")







遍历







    

  • 

  • 



dom.Find(".sidebar-link").Each(func(i int, selection *goquery.Selection) {}







Demo


package main
import (   "fmt"   "github.com/PuerkitoBio/goquery")
func main() {   url := "https://gorm.io/zh_CN/docs/"   dom, _ := goquery.NewDocument(url)   dom.Find(".sidebar-link").Each(func(i int, selection *goquery.Selection) {      href, _ := selection.Attr("href")      text := selection.Text()      fmt.Println(i, url+href, text)   })}







成功获取边栏链接


图片




常见api


在爬虫的简单实现部分列举了创建文档、内容查找等方法，这里对上述用法做一点小总结




Document


GoQuery不知道要对哪个HTML文档执行操作。所以需要告诉它，这就是 Document 类的用途。它保存要操作的根文档节点，并且可以对此文档进行选择。



NewDocumentFromResponse


NewDocumentFromResponse 是一个 Document 构造函数，它将 http 响应作为参数。它加载指定响应的文档，对其进行分析，并存储根文档节点，以便随时进行操作。响应的主体在返回时关闭。



这里是结合前边的http库一起使用







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



client := &http.Client{}req, _ := http.NewRequest("GET", url, nil)resp, _ := client.Do(req)dom, _ := goquery.NewDocumentFromResponse(resp)dom.Find(".sidebar-link").Each(func(i int, selection *goquery.Selection) {   href, _ := selection.Attr("href")   text := selection.Text()   fmt.Println(i, url+href, text)})






NewDocumentFromReader


NewDocumentFromReader从io返回一个Document。读者。如果无法将读取器的数据解析为 html，它将返回错误作为第二个值。它不检查读取器是否也是

io。更近一点，提供的读取器永远不会被此调用关闭。如果需要，调用方有责任将其关闭。



传入的内容其实就是html的元素数据







    

  • 

  • 

  • 

  • 

  • 

  • 

  • 



resp, _ := http.Get(url)dom, _ := goquery.NewDocumentFromReader(resp.Body)dom.Find(".sidebar-link").Each(func(i int, selection *goquery.Selection) {   href, _ := selection.Attr("href")   text := selection.Text()   fmt.Println(i, url+href, text)})







上述是通过http请求的方式传入的参数，并不是通过io读取，这里再用io读取举例：







    

  • 

  • 

  • 

  • 

  • 

  • 



f, _ := os.Open("crawler/file/Context.html")dom, _ := goquery.NewDocumentFromReader(f)dom.Find("h1").Each(func(i int, selection *goquery.Selection) {   text := selection.Text()   fmt.Println(text)})







除此外也可以从字符串中读取内容


data := `<html>   <head>      <title>Sentiment</title>   </head>   <body>      <h1>Hello</h1>   </body></html>`
   dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))   dom.Find("title").Each(func(i int, selection *goquery.Selection) {      text := selection.Text()      fmt.Println(text)   })







结果：


Sentiment







Demo


package main
import (   "fmt"   "github.com/PuerkitoBio/goquery"   "net/http"   "os")
func Document(url string) {   client := &http.Client{}   req, _ := http.NewRequest("GET", url, nil)   resp, _ := client.Do(req)   dom, _ := goquery.NewDocumentFromResponse(resp)   dom.Find(".sidebar-link").Each(func(i int, selection *goquery.Selection) {      href, _ := selection.Attr("href")      text := selection.Text()      fmt.Println(i, url+href, text)   })}func Document1() {   f, _ := os.Open("crawler/file/Context.html")   dom, _ := goquery.NewDocumentFromReader(f)   dom.Find("h1").Each(func(i int, selection *goquery.Selection) {      text := selection.Text()      fmt.Println(i, text)   })}
func main() {   Document("https://gorm.io/zh_CN/docs/")   Document1()}







选择器


选择表示与某些条件匹配的节点的集合，可以使用 Document.Find 创建初始选择。上边其实已经通过爬取页面举过例了，所以这里就简单看一下。



通过id查找




    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



data := `<head>   <title id="t1">Sentiment</title>//id="t1"</head><body>   <h1 class="c1">Hello</h1></body>`
dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))dom.Find("#t1").Each(func(i int, selection *goquery.Selection) {   text := selection.Text()   fmt.Println(text)})






通过class查找


data := `<head>   <title id="t1">Sentiment</title></head><body>   <h1 class="c1">Hello</h1>//class="c1"</body>`
dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))dom.Find(".c1").Each(func(i int, selection *goquery.Selection) {   text := selection.Text()   fmt.Println(text)})




通过标签查找


data := `<head>   <title id="t1">Sentiment</title>//title标签</head><body>   <h1 class="c1">Hello</h1></body>`
dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))dom.Find("title").Each(func(i int, selection *goquery.Selection) {   text := selection.Text()   fmt.Println(text)})







Demo


package main
import (   "fmt"   "github.com/PuerkitoBio/goquery"   "strings")
func getId() {   data := `   <head>      <title id="t1">Sentiment</title>   </head>   <body>      <h1 class="c1">Hello</h1>   </body>`
   dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))   dom.Find("#t1").Each(func(i int, selection *goquery.Selection) {      text := selection.Text()      fmt.Println(text)   })}func getClass() {   data := `   <head>      <title id="t1">Sentiment</title>   </head>   <body>      <h1 class="c1">Hello</h1>   </body>`
   dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))   dom.Find(".c1").Each(func(i int, selection *goquery.Selection) {      text := selection.Text()      fmt.Println(text)   })}func find() {   data := `   <head>      <title id="t1">Sentiment</title>   </head>   <body>      <h1 class="c1">Hello</h1>   </body>`
   dom, _ := goquery.NewDocumentFromReader(strings.NewReader(data))   dom.Find("title").Each(func(i int, selection *goquery.Selection) {      text := selection.Text()      fmt.Println(text)   })}
func main() {   getId()//Sentiment   getClass()//Hello   find()//Sentiment}






结果：




    

  • 

  • 

  • 



SentimentHelloSentiment







Goquery爬虫重构


http方式中，提取了页面信息并本地保存了下来，这里再用Goquery实践一下



Final Demo


package main
import (   "fmt"   "github.com/PuerkitoBio/goquery"   "os")
func save(title string, content string) {   err := os.WriteFile("./crawler/file1/"+title+".html", []byte(content), 0644)   if err != nil {      panic(err)   }}func main() {   url := "https://gorm.io/zh_CN/docs/"   dom, _ := goquery.NewDocument(url)   dom.Find(".sidebar-link").Each(func(i int, selection *goquery.Selection) {      //获取链接      href, _ := selection.Attr("href")      text := selection.Text()      fmt.Println(i, url+href, text)      dom, _ = goquery.NewDocument(url + href)      //获取标题      title := dom.Find(".article-title").Text()      //fmt.Println(title)      //获取内容      content, _ := dom.Find(".article").Html()      //fmt.Println(content)      save(title, content)   })}














Colly










了解了一些基础爬虫和Goquery框架后，就到了Go比较核心的爬虫框架Colly 了



colly package - github.com/gocolly/colly - Go Packages



Colly 是用于构建 Web 爬虫的 Golang 框架。使用 Colly 你可以构建各种复杂的 Web

 抓取工具,从简单的抓取工具到处理数百万个网页的复杂的异步网站抓取工具。Colly 提供了一个

API,用于执行网络请求和处理接收到的内容（例如,与 HTML 文档的 DOM 树进行交互）。




安装




    

  • 



go get -u github.com/gocolly/colly/...






特性


    

  • 

    清晰明了的 API
    

    • 

  • 

    速度快（单个内核上的请求数大于1k）
    

    • 

  • 

    管理每个域的请求延迟和最大并发数
    

    • 

  • 

    自动 cookie 和会话处理
    

    • 

  • 

    同步/异步/并行抓取
    

    • 

  • 

    高速缓存
    

    • 

  • 

    自动处理非 Unicode 编码
    

    • 

  • 

    支持 Robots.txt
    

    • 

  • 

    支持 Google App Engine
    

    • 

  • 

    通过环境变量配置
    

    • 

  • 

    可扩展
    

    • 





Colly爬虫简单实现


先看下基本实现，后续会对函数进行补充


package main
import (   "fmt"   "github.com/gocolly/colly")
func main() {   c := colly.NewCollector()   c.OnHTML(".sidebar-link", func(element *colly.HTMLElement) {      element.Request.Visit(element.Attr("href"))   })   c.OnRequest(func(request *colly.Request) {      fmt.Println(request.URL)   })   c.Visit("https://gorm.io/zh_CN/docs/")}







回调函数


    

  • 

    OnRequest
    在请求之前调用，这里只是简单打印请求的 URL。
    

    • 

  • 

    OnError
    如果请求期间发生错误则调用，这里简单打印 URL 和错误信息。
    

    • 

  • 

    OnResponseHeaders
    在收到响应标头后调用
    

    • 

  • 

    OnResponse
    收到回复后调用，这里也只是简单的打印 URL 和响应大小。
    

    • 

  • 

    OnHTML
    OnResponse如果收到的内容是HTML ,则在之后调用
    

    • 

  • 

    OnXML
    OnHTML如果接收到的内容是HTML或XML ,则在之后调用
    

    • 

  • 

    OnScraped
    OnXML回调后调用
    

    • 




回调顺序




    

  • 



OnRequest—>OnResponse—>OnHTML->OnXML—>OnScraped







顺序可以用代码测试出来：


package main
import ("fmt""github.com/gocolly/colly")
func main() {c := colly.NewCollector()c.OnRequest(func(r *colly.Request) {fmt.Println("请求前调用：OnRequest")})
c.OnError(func(_ *colly.Response, err error) {fmt.Println("发生错误调用：OnError")})
c.OnResponse(func(r *colly.Response) {fmt.Println("获得响应后调用：OnResponse")})
c.OnHTML("a[href]", func(e *colly.HTMLElement) {fmt.Println("OnResponse收到html请求后调用:OnHTML")})
c.OnXML("//h1", func(e *colly.XMLElement) {fmt.Println("OnResponse收到xml内容后调用：OnXML")})
c.OnScraped(func(r *colly.Response) {fmt.Println("结束", r.Request.URL)})c.Visit("https://gorm.io/zh_CN/docs/")}






除此外还有一些常用方法


    

  • 

    Attr(k string)：返回当前元素的属性，上面示例中我们使用e.Attr("href")获取了href属性；
    

    • 

  • 

    ChildAttr(goquerySelector, attrName string)：返回goquerySelector选择的第一个子元素的attrName属性；
    

    • 

  • 

    ChildAttrs
    

    (goquerySelector, attrName string)：
    

    

    返回goquerySelector选择的所有子元素的attrName属性，以[]string返回；
    

    • 

  • 

    ChildText(goquerySelectorstring)：
    

    拼接goquerySelector选择的子元素的文本内容并返回；
    

    • 

  • 

    ChildTexts(goquerySelector string)：
    

    返回goquerySelector选择的子元素的文本内容组成的切片，以[]string返回。
    

    • 

  • 

    ForEach(goquerySelector string, callback func
    

    (int, *HTMLElement))：
    

    对每个goquerySelector选择的子元素执行回调callback；
    

    • 

  • 

    Unmarshal(v interface{})：通过给结构体字段指定 goquerySelector 格式的 tag，可以将一个 HTMLElement 对象 Unmarshal 到一个结构体实例中。
    

    • 







参数设置


设置User-Agent




    

  • 

  • 

  • 



c := colly.NewCollector()//User-Agentc.UserAgent = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.53 Safari/537.36 Edg/103.0.1264.37")







设置Cookie




    

  • 

  • 

  • 

  • 

  • 

  • 

  • 



c.OnRequest(func(request *colly.Request) {   request.Headers.Add("Cookie", "_ga=GA1.2.927242199.1656415218; _gid=GA1.2.165227307.1656415218; __atuvc=4%7C26; __atuvs=62bb96de45b68598000")})------------------------------------------------------------------//也可以使用获取到的url中的cookiecookie := c.Cookies("https://gorm.io/zh_CN/docs/")c.SetCookies("", cookie)







设置环境变量


    

  • 

    COLLY_ALLOWED_DOMAINS
    

    (comma separated list of domains)
    

    • 

  • 

    COLLY_CACHE_DIR (string)
    

    • 

  • 

    COLLY_DETECT_CHARSET (y/n)
    

    • 

  • 

    COLLY_DISABLE_COOKIES (y/n)
    

    • 

  • 

    COLLY_DISALLOWED_DOMAINS
    

     (comma separated list of domains)
    

    • 

  • 

    COLLY_IGNORE_ROBOTSTXT (y/n)
    

    • 

  • 

    COLLY_FOLLOW_REDIRECTS (y/n)
    

    • 

  • 

    COLLY_MAX_BODY_SIZE (int)
    

    • 

  • 

    COLLY_MAX_DEPTH (int - 0 means infinite)
    

    • 

  • 

    COLLY_PARSE_HTTP_ERROR_RESPONSE (y/n)
    

    • 

  • 

    COLLY_USER_AGENT (string)
    

    • 




HTTP 配置




    

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 

  • 



c := colly.NewCollector()c.WithTransport(&http.Transport{    Proxy: http.ProxyFromEnvironment,    DialContext: (&net.Dialer{        Timeout:   30 * time.Second,        KeepAlive: 30 * time.Second,        DualStack: true,    }).DialContext,    MaxIdleConns:          100,    IdleConnTimeout:       90 * time.Second,    TLSHandshakeTimeout:   10 * time.Second,    ExpectContinueTimeout: 1 * time.Second,})c.Visit("https://gorm.io/zh_CN/docs/")






Colly爬虫重构


Final Demo


package main
import ("fmt""github.com/gocolly/colly""os")
func save2(title string, content string) {err := os.WriteFile("./crawler/file2/"+title+".html", []byte(content), 0644)if err != nil {panic(err)}}func main() {var t1 stringvar c1 stringc := colly.NewCollector()c.OnHTML(".sidebar-link", func(e *colly.HTMLElement) {href := e.Attr("href")if href != "index.html" {c.Visit(e.Request.AbsoluteURL(href))save2(t1, c1)
}})c.OnHTML(".article-title", func(t *colly.HTMLElement) {title := t.Textt1 = title})c.OnHTML(".article", func(c *colly.HTMLElement) {content, _ := c.DOM.Html()c1 = content})c.OnRequest(func(request *colly.Request) {fmt.Println(request.URL.String())})c.Visit("https://gorm.io/zh_CN/docs/")}






c.Visit开始访问第一个页面后，先进行OnRequest进行回调，之后当遇到class标签的值为sidebar-link时回调，并取出对应的href的值，之后再通过AbsoluteURL获取href的绝对路径，再次通过c.Visit请求，当遇到class的值为article-title,article时，再次回调对应的OnHTML函数，并将对讲的title值和content内容分别返回给全局变量t1、c1，在进行一轮回调结束后执行save2(),将内容全部写入












练习












Golang的爬虫框架先了解这么多，最后以爬取Suyoleaves师傅的博客做个结尾吧


package main
import ("fmt""github.com/gocolly/colly""os""time")
func save3(title string, content string) {err := os.WriteFile("crawler/Sentiment/"+title+".html", []byte(content), 0644)if err != nil {panic(err)}}func main() {var t1 stringvar c1 stringc := colly.NewCollector()c.Limit(&colly.LimitRule{DomainRegexp: `https://www.fishfond.guru/`,Delay:        1 * time.Second,})c.OnHTML(".post-title", func(e *colly.HTMLElement) {href := e.Attr("href")//fmt.Println("href:", href)c.Visit(e.Request.AbsoluteURL(href))if href != "index.html" {c.Visit(e.Request.AbsoluteURL(href))save3(t1, c1)}
})c.OnHTML("title", func(t *colly.HTMLElement) {title := t.Textt1 = string(title[0 : len(title)-12])//fmt.Println("t1:", t1)})c.OnHTML(".entry-content", func(c *colly.HTMLElement) {content, _ := c.DOM.Html()c1 = content//fmt.Println("c1", c1)})c.OnRequest(func(request *colly.Request) {fmt.Println(request.URL.String())})c.OnError(func(response *colly.Response, err error) {panic(err.Error())})c.Visit("https://www.fishfond.guru/")}




图片














往期推荐
























原创 | 浅析JNDI注入










原创 | CVE-2019-0808










原创 | XXE利用:结合Local DTD和Error-Based技巧bypass防火墙
66500原创 | Golang爬虫框架初探
标签： 暂无
最后更新：2022年7月27日

这个人很懒，什么都没留下

文章评论

Bootstrap 5入门指南 IDEA2022.3最新版永久激活教程（亲测有效） 转需！几百款中文永久版软件及安装方法（含百度云、天翼云下载） 50 万用户无人付费，Kite 停止开发！ 50w人白嫖！历经 8 年研发的 Python 代码补全神器 Kite 停止开发 有效的phpstorm正式版激活码，配合插件可永久破解！ 软件安装目录大全 Pycharm 2022 Pycharm激活码-PyCharm 2022.2.1中文版激活教程 （更新）Python编辑开发PyCharm pro 2022.2.4 for Mac 中文破解版下载（附激活码） Go语言爱好者周刊：第 170 期 — Gopher 图片集 GoLand 迎来五周年，同时发布 2022.3：有彩蛋 GoLand迎来五周年，2022.3发布 互联网摸鱼日报（2022-12-03） 《怪物猎人：崛起》即将登陆Xbox及PS平台
【第0840期】20款简洁风格简历AI模板素材 如何在 Java Web 应用程序中启用 Spring Security？ Spring Boot官宣：正式弃用 Java 8，最低要求 Java 17！怎么办？ Google Flutter 一统移动、Web、桌面、嵌入式江湖！ 基于 Vue 的前端架构，我做了这 15 点 【南京魅力江北微服务】7月4日江北便民信息发布！ Flutter 1.20正式发布，新特性解读！ Go语言中时间轮的实现 自动化测试：六个值得参考的 Laravel 开源项目 Python学习 pycharm激活方法到2099年(激活流程) ES5，ES2015 和 TypeScript 的区别 AutoScraper: Python 实现的轻量级爬虫 推荐系统如何可信？罗格斯大学最新《可信推荐系统》综述，43页pdf阐述可信RS组成与技术 Windows必备的神级工具，搭配火绒简直绝了... 原来这份简历是 AI 帮忙做的？！
标签聚合
世界杯 m3u8 科技 农业 软件 web3 机器学习 xbox python linux 二手车 开发 表情包 caddy https goland 2022 游戏 芯片 tiktok 网盘 前端 编程语言排行 idea 2022 激活
other

COPYRIGHT © 2022 编程网. ALL RIGHTS RESERVED.

Theme Kratos Made By Seaton Jiang