Go爬蟲(http、goquery和colly)詳解
更新時間：2022年09月05日 15:08:03 作者：Golang-Study
goquery可以避免操作復雜的正則表達式，它可以直接根據url獲取一個Document對象，然后根據標簽選擇器、類選擇器和id選擇器獲取相應的選擇對象，進行自定義的操作，這篇文章主要介紹了Go爬蟲(http、goquery和colly),需要的朋友可以參考下
1、net/http爬蟲
net/http配合正則表達式爬蟲。
package main
import (
"fmt"
"io/ioutil"
"log"
"net/http"
"os"
"regexp"
"strings"
"sync"
)
// 負責抓取頁面的源代碼(html)
// 通過http包實現
func fetch(url string) string {
// 得到一個客戶端
client := &http.Client{}
request, _ := http.NewRequest("GET", url, nil)
request.Header.Set("User-Agent", "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Mobile Safari/537.36")
request.Header.Add("Cookie", "test_cookie=CheckForPermission; expires=Tue, 30-Aug-2022 01:04:32 GMT; path=/; domain=.doubleclick.net; Secure; HttpOnly; SameSite=none")
// 客戶端發(fā)送請求，并且獲取一個響應
response, err := client.Do(request)
if err != nil {
log.Println("Error: ", err)
return ""
}
// 如果狀態(tài)碼不是200，就是響應錯誤
if response.StatusCode != 200 {
log.Println("Error: ", response.StatusCode)
return ""
}
defer response.Body.Close() // 關閉
// 讀取響應體中的所有數據到body中，這就是需要的部分
body, err := ioutil.ReadAll(response.Body)
if err != nil {
log.Println("Error: ", err)
return ""
}
// 轉換為字符串(字節(jié)切片 --> 字符串)
return string(body)
}
var waitGroup sync.WaitGroup
// 解析頁面源代碼
func parseURL(body string) {
// 將body(響應結果)中的換行替換掉，防止正則匹配出錯
html := strings.Replace(body, "\n", "", -1)
// 正則匹配
re_Img_div := regexp.MustCompile(`<div class="img_wrapper">(.*?)</div>`)
img_div := re_Img_div.FindAllString(html, -1) // 得到<div><img/></div>
for _, v := range img_div {
// img正則
re_link := regexp.MustCompile(`src="(.*?)"`)
// 找到所有的圖片鏈接
links := re_link.FindAllString(v, -1) // 得到所有圖片鏈接
// 遍歷links，切掉不必要的部分src="和最后的"
for _, v := range links {
src := v[5 : len(v)-1]
src = "http:" + src
waitGroup.Add(1)
go downLoad(src)
}
}
}
// 下載
func downLoad(src string) {
fmt.Println("================================", src)
// 取一個文件名
filename := string(src[len(src)-8 : len(src)])
fmt.Println(filename)
response, _ := http.Get(src)
picdata, _ := ioutil.ReadAll(response.Body)
image, _ := os.Create("./files/" + filename)
image.Write(picdata)
defer func() {
image.Close()
waitGroup.Done()
}()
}
func main() {
url := "http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml"
body := fetch(url)
// fmt.Println(body)
parseURL(body)
waitGroup.Wait()
}
2、goquery庫爬蟲
goquery可以避免操作復雜的正則表達式，它可以直接根據url獲取一個Document對象，然后根據標簽選擇器、類選擇器和id選擇器獲取相應的選擇對象，進行自定義的操作。
goquery可以靈活的獲取頁面中的元素。
*** 一個簡單的例子，引出goquery中的重要API
package main
import (
"fmt"
"strings"
"github.com/PuerkitoBio/goquery"
)
func main() {
url := "http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml"
// 得到頁面原文檔對象
d, _ := goquery.NewDocument(url)
// 根據文檔對象借助類選擇器獲取Selection對象，通過Each遍歷所有的適配類選擇器的對象
// Each的參數是一個函數，里面是處理邏輯
d.Find("img").Each(func(index int, s *goquery.Selection) {
// 根據屬性名獲取屬性值 一個Selection對象 --> <img src="http://localhost:8080/images" > text </img>
text, _ := s.Attr("src")
// 只處理gif動態(tài)圖片
if strings.HasSuffix(text, ".gif") {
text = "http:" + text
fmt.Println(text)
}
})
}
*** 操作一、獲取html整個原文檔
分別是goquery.NewDocument(url string)、goquery.NewDocumentFromResponse(*http.Response)、goquery.NewDocumentFromReader(*io.Reader)。三種方式的第一種比較最為方便使用。
package main
import (
"log"
"net/http"
"strings"
"github.com/PuerkitoBio/goquery"
)
/*
goquery得到Document對象的3種方式
*/
// 1、通過NewDocument傳入一個URL地址
func GetDocument_1(url string) string {
document, _ := goquery.NewDocument(url)
document.Find("href")
return "document.Text()"
}
// 2、通過響應獲取。第一種方式是第二種方式的封裝
func GetDocument_2(url string) string {
client := &http.Client{}
request, _ := http.NewRequest("GET", url, nil)
response, _ := client.Do(request)
document, err := goquery.NewDocumentFromResponse(response)
if err != nil {
log.Fatalln(err)
}
document.Find("")
return ""
}
// 3、有一個html文本的情況下，讀取轉換為Document對象
func GetDocument_3(html string) string {
document, _ := goquery.NewDocumentFromReader(strings.NewReader(html))
document.Find("")
return ""
}
*** 操作二、選擇器
同html的標識方式，在Find函數中。
*** 操作三、Selection相關方法
*** 最后來完成net/http中的網頁爬蟲
package main
import (
"fmt"
"io/ioutil"
"net/http"
"os"
"strings"
"sync"
"github.com/PuerkitoBio/goquery"
)
var lock sync.WaitGroup
func main() {
url := "http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml"
// 得到頁面原文檔對象
d, _ := goquery.NewDocument(url)
// 根據文檔對象借助類選擇器獲取Selection對象，通過Each遍歷所有的適配類選擇器的對象
// Each的參數是一個函數，里面是處理邏輯
d.Find("img").Each(func(index int, s *goquery.Selection) {
// 根據屬性名獲取屬性值 一個Selection對象 --> <img src="http://localhost:8080/images" > text </img>
text, _ := s.Attr("src")
// 只處理gif動態(tài)圖片
if strings.HasSuffix(text, ".gif") {
lock.Add(1)
http := "http:" + text
// 得到圖片地址，開啟協程下載圖片
go downLoading(http)
}
})
lock.Wait()
}
func downLoading(src string) {
fmt.Println("================================", src)
// 取一個文件名
filename := string(src[len(src)-8 : len(src)])
fmt.Println(filename)
response, _ := http.Get(src)
picdata, _ := ioutil.ReadAll(response.Body)
image, _ := os.Create("./files/" + filename)
image.Write(picdata)
defer func() {
image.Close()
lock.Done()
}()
}
3、colly框架爬蟲
首先要獲取一個*colly.Collector對象；
然后注冊處理函數OnXxx函數；
之后就可以訪問url了。
*** OnXxx函數
主要操作都是由OnXxx函數的參數函數進行處理的
*** 完成圖片的爬取
package main
import (
"fmt"
"io/ioutil"
"net/http"
"os"
"strings"
"sync"
"github.com/gocolly/colly"
)
var locker sync.WaitGroup
func main() {
col := colly.NewCollector()
// 檢測請求
col.OnRequest(func(req *colly.Request) {
fmt.Println("檢測一個請求......")
})
// 檢測響應
col.OnResponse(func(r *colly.Response) {
fmt.Println("檢測一個響應......")
})
// 定位img標簽。注冊該函數，框架內部回調
col.OnHTML("img", func(elem *colly.HTMLElement) {
fmt.Println("ONXHTML")
// 獲取標簽對應屬性的值。
// 其他對標簽的操作，可以查看對應的API
http := elem.Attr("src")
if strings.HasSuffix(http, ".gif") {
locker.Add(1)
http := "http:" + http
go DownLoad(http)
}
})
col.Visit("http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml")
locker.Wait()
}
func DownLoad(src string) {
fmt.Println("================================", src)
// 取一個文件名
filename := string(src[len(src)-8 : len(src)])
fmt.Println(filename)
response, _ := http.Get(src)
picdata, _ := ioutil.ReadAll(response.Body)
image, _ := os.Create("./files/" + filename)
image.Write(picdata)
defer func() {
image.Close()
locker.Done()
}()
}
到此這篇關于Go爬蟲(http、goquery和colly)的文章就介紹到這了,更多相關Go爬蟲goquery和colly內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了go語言操作之nacos配置中心，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-06-06
這篇文章主要介紹了詳解golang中發(fā)送http請求的幾種常見情況，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-12-12
詳解Go語言如何實現類似Python中的with上下文管理器
熟悉?Python?的同學應該知道?Python?中的上下文管理器非常好用，那么在?Go?中是否也能實現上下文管理器呢，下面小編就來和大家仔細講講吧2023-07-07
這篇文章主要為大家介紹了go語言中布隆過濾器低空間成本判斷元素是否存在方式詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-09-09
這篇文章主要為大家介紹了go使用net/url包來解析URL提取主機部分實例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2024-01-01
gRPC是Google開始的一個RPC服務框架， 是英文全名為Google Remote Procedure Call的簡稱，廣泛的應用在有RPC場景的業(yè)務系統中，這篇文章主要介紹了Golang實現gRPC的Proxy的原理,需要的朋友可以參考下2021-09-09
這篇文章主要介紹了go語言求任意類型切片的長度操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-04-04
這篇文章主要介紹了詳解Go語言中關于包導入必學的 8 個知識點，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-08-08
這篇文章主要介紹了深入Golang的接口interface，go不要求類型顯示地聲明實現了哪個接口，只要實現了相關的方法即可，編譯器就能檢測到，接下來關于接口interface的相關介紹需要的朋友可以參考下面文章內容2022-06-06
我們知道go語言內置的channel緩沖大小是有上限的，那么我們自己如何實現一個無限 buffer 的 channel呢？今天通過本文給大家分享go實現無限 buffer 的 channel方法，感興趣的朋友一起看看吧2021-06-06