新的旅程开始了 (๑• . •๑)
前言
近期有些项目需要用到Golang，大概花了一周来看语法，然后就开始看爬虫相关的。这里记录下如何使用Golang来写爬虫的几个步骤，最终完成的效果如下图
进群：960410445 即可获取书十套PDF！
环境
安装比较简单
sudo apt-get install golang # (Linux)
brew install go # (Mac)
安装之后注意 GOPATH 和 GOROOT 等环境变量设置，IDE用的是jetbrains家的GoLand。
建议先去看看Golang的官方文档，学习基本语法知识。地址： 官方教程中文版
创建文档
新建文件 crawler.go ，并写入如下代码：
package main
import "fmt"
func main() {
fmt.Println("Hello, world")
}
运行方法： go run crawler.go ，肉眼可见，编译速度比JAVA要快得多。
下载网页
这里先从Golang原生http库开始，直接使用 net/http 包内的函数请求
import "net/http"
...
resp, err := http.Get("http://wwww.baidu.com")
所以代码可以这样写
package main
import (
"fmt"
"io/ioutil"
"net/http"
)
func main() {
fmt.Println("Hello, world")
resp, err := http.Get("http://www.baidu.com/")
if err != nil {
fmt.Println("http get error", err)
return
}
body, err := ioutil.ReadAll(resp.Body)
if err != nil {
fmt.Println("read error", err)
return
}
fmt.Println(string(body))
}
Golang的错误处理就是这样的，习惯就好。
这里更好的做法是把下载方法封装为函数。
package main
import (
"fmt"
"io/ioutil"
"net/http"
)
func main() {
fmt.Println("Hello, world")
url := "http://www.baidu.com/"
download(url)
}
func download(urlstring) {
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
// 自定义Header
req.Header.Set("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)")
resp, err := client.Do(req)
if err != nil {
fmt.Println("http get error", err)
return
}
//函数结束后关闭相关链接
defer resp.Body.Close()
body, err := ioutil.ReadAll(resp.Body)
if err != nil {
fmt.Println("read error", err)
return
}
fmt.Println(string(body))
}
解析网页
go常见的解析器xpath、jquery、正则都有，直接搜索即可，我这里偷懒，直接用别人写好的轮子 collectlinks ，可以提取网页中所有的链接，下载方法 go get -u github.com/jackdanger/collectlinks
package main
import (
"fmt"
"github.com/jackdanger/collectlinks"
"net/http"
)
func main() {
fmt.Println("Hello, world")
url := "http://www.baidu.com/"
download(url)
}
func download(urlstring) {
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
// 自定义Header
req.Header.Set("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)")
resp, err := client.Do(req)
if err != nil {
fmt.Println("http get error", err)
return
}
//函数结束后关闭相关链接
defer resp.Body.Close()
links := collectlinks.All(resp.Body)
for _, link := range links {
fmt.Println("parse url", link)
}
}
并发
Golang使用关键字 go 即可开启一个新的go程，也叫 goroutine ，使用 go 语句开启一个新的 goroutine 之后，go 语句之后的函数调用将在新的 goroutine 中执行，而不会阻塞当前的程序执行。所以使用Golang可以很容易写成异步IO。
package main
import (
"fmt"
"github.com/jackdanger/collectlinks"
"net/http"
)
func main() {
fmt.Println("Hello, world")
url := "http://www.baidu.com/"
queue := make(chan string)
go func() {
queue <- url
}()
for uri := range queue {
download(uri, queue)
}
}
func download(urlstring, queuechan string) {
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
// 自定义Header
req.Header.Set("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)")
resp, err := client.Do(req)
if err != nil {
fmt.Println("http get error", err)
return
}
//函数结束后关闭相关链接
defer resp.Body.Close()
links := collectlinks.All(resp.Body)
for _, link := range links {
fmt.Println("parse url", link)
go func() {
queue <- link
}()
}
}
现在的流程是main有一个for循环读取来自名为queue的通道，download下载网页和链接解析，将发现的链接放入main使用的同一队列中，并再开启一个新的goroutine去抓取形成无限循环。
这里对于新手来说真的不好理解，涉及到Golang的两个比较重要的东西：goroutine和channels，这个我也不大懂，这里也不多讲了，以后有机会细说。
官方：A goroutine is a lightweight thread managed by the Go runtime.翻译过来就是：Goroutine是由Go运行时管理的轻量级线程。channels是连接并发goroutine的管道，可以理解为goroutine通信的管道。 可以将值从一个goroutine发送到通道，并将这些值接收到另一个goroutine中。对这部分有兴趣的可以去看文档。
好了，到这里爬虫基本上已经完成了，但是还有两个问题：去重、链接是否有效。
链接转为绝对路径
package main
import (
"fmt"
"github.com/jackdanger/collectlinks"
"net/http"
"net/url"
)
func main() {
fmt.Println("Hello, world")
url := "http://www.baidu.com/"
queue := make(chan string)
go func() {
queue <- url
}()
for uri := range queue {
download(uri, queue)
}
}
func download(urlstring, queuechan string) {
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
// 自定义Header
req.Header.Set("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)")
resp, err := client.Do(req)
if err != nil {
fmt.Println("http get error", err)
return
}
//函数结束后关闭相关链接
defer resp.Body.Close()
links := collectlinks.All(resp.Body)
for _, link := range links {
absolute := urlJoin(link, url)
if url != " " {
fmt.Println("parse url", absolute)
go func() {
queue <- absolute
}()
}
}
}
func urlJoin(href, basestring)string {
uri, err := url.Parse(href)
if err != nil {
return " "
}
baseUrl, err := url.Parse(base)
if err != nil {
return " "
}
return baseUrl.ResolveReference(uri).String()
}
这里新写了一个 urlJoin 函数，功能和Python中的 urllib.parse.urljoin 一样。
去重
我们维护一个map用来记录，那些是已经访问过的。
package main
import (
"fmt"
"github.com/jackdanger/collectlinks"
"net/http"
"net/url"
)
var visited = make(map[string]bool)
func main() {
fmt.Println("Hello, world")
url := "http://www.baidu.com/"
queue := make(chan string)
go func() {
queue <- url
}()
for uri := range queue {
download(uri, queue)
}
}
func download(urlstring, queuechan string) {
visited[url] = true
client := &http.Client{}
req, _ := http.NewRequest("GET", url, nil)
// 自定义Header
req.Header.Set("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)")
resp, err := client.Do(req)
if err != nil {
fmt.Println("http get error", err)
return
}
//函数结束后关闭相关链接
defer resp.Body.Close()
links := collectlinks.All(resp.Body)
for _, link := range links {
absolute := urlJoin(link, url)
if url != " " {
if !visited[absolute] {
fmt.Println("parse url", absolute)
go func() {
queue <- absolute
}()
}
}
}
}
func urlJoin(href, basestring)string {
uri, err := url.Parse(href)
if err != nil {
return " "
}
baseUrl, err := url.Parse(base)
if err != nil {
return " "
}
return baseUrl.ResolveReference(uri).String()
}
好了大功告成，运行程序，会像一张网铺开一直不停的抓下去。
写到这里，我突然觉得我忘了什么，哦，忘记加timeout了，必须要为每次请求加上超时，前两天才写了的。完整代码就补贴上来了， 在github中 。
运行一段时间后的资源消耗
CPU使用率并不高，内存因为会保存一张不断增大的map，所以会一直上涨。如果是用Python，该怎么写呢？资源消耗和Golang比会如何呢？有兴趣的小伙伴可以去试试。
后记
都说Golang的并发好，体验了下确实如此。Golang起步晚，但是发展的块。采集还是多学点技能防身吧。我从上周开始学习Golang语法，跟着官方文档学习，基本上都可以看懂在做什么，除了那几块难理解的，需要自己多写多用才行。
有疑问加站长微信联系（非本文作者）
