Go 语言自我提升 (爬虫 - 正则)

张家驹 · · 2711 次点击 · · 开始浏览    
这是一个创建于 的文章,其中的信息可能已经有所发展或是发生改变。

Go语言爬虫只是一种开拓思路和代码上手的练习 , 爬虫浪费了go语言的性能 , 且爬虫的效率和代码实现远没有 Python舒服 , 所以 , 学习思路 , 思路远比代码重要 ! ! !

初级 练习  --  爬取百度贴吧


package main

import (

"fmt"

"strconv"

"net/http"

"io"

"os"

)

// 根据url获取一个网页数据

func HttpGet(url string) string {

// 定义变量,保存一个整个网页数据

  var result string

// 发送请求,获取服务器回发应答包

  resp, err := http.Get(url)

if err != nil {

panic(err)

}

defer resp.Body.Close()

// 创建缓冲区,保存网页数据

  buf := make([]byte,4096)

// 循环 读取数据内容

  for {

n, err := resp.Body.Read(buf)

if n ==0 {

break

      }

if err !=nil && err != io.EOF {

panic(err)

}

result += string(buf[:n])

}

return result

}

func Save2File(idx int, result string)  {

fileName :="第" + strconv.Itoa(idx) +"页.html"

  // 创建文件

  f, err := os.Create(fileName)

if err != nil {

panic(err)

}

defer f.Close()

// 将一整页数据,写入到文件中。

  _, err = f.WriteString(result)

if err != nil {

panic(err)

}

}

func working(start, end int)  {

// 按照用户指定的起始、终止页面爬取

  for i:=start; i<=end; i++ {

// 获取每一页的url

      url :="https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)

fmt.Printf("正在爬取第%d个页面, url:%s\n", i, url)

// 封装函数,根据url获取一个网页数据

      result := HttpGet(url)

// 封装函数,将读到的网页数据保存成文件

      Save2File(i, result)

fmt.Printf("爬取%d个页面完毕...\n", i)

}

}

func main() {

// 提示用户指定爬取的起始、终止页面

  var start, end int

fmt.Print("请输入爬取的起始页面(>=1):")

fmt.Scan(&start)

fmt.Print("请输入爬取的终止页面(>=start):")

fmt.Scan(&end)

// 找寻分页器规律,爬取内容。

  working(start, end)

}

    爬取百度贴吧  --  2.0      (并发)


package main

import (

"fmt"

"strconv"

"net/http"

"io"

"os"

)

// 根据url获取一个网页数据

func HttpGet(url string) string {

// 定义变量,保存一个整个网页数据

  var result string

// 发送请求,获取服务器回发应答包

  resp, err := http.Get(url)

if err != nil {

panic(err)

}

defer resp.Body.Close()

// 创建缓冲区,保存网页数据

  buf := make([]byte,4096)

// 循环 读取数据内容

  for {

n, err := resp.Body.Read(buf)

if n ==0 {

break

      }

if err !=nil && err != io.EOF {

panic(err)

}

result += string(buf[:n])

}

return result

}

func Save2File(idx int, result string)  {

fileName :="第" + strconv.Itoa(idx) +"页.html"

  // 创建文件

  f, err := os.Create(fileName)

if err != nil {

panic(err)

}

defer f.Close()

// 将一整页数据,写入到文件中。

  _, err = f.WriteString(result)

if err != nil {

panic(err)

}

}

// 爬取一个页面,保存成一个文件。

func SpiderPage(i int, quitchan<- int)  {

// 获取每一页的url

  url :="https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)

//fmt.Printf("正在爬取第%d个页面, url:%s\n", i, url)

  // 封装函数,根据url获取一个网页数据

  result := HttpGet(url)

// 封装函数,将读到的网页数据保存成文件

  Save2File(i, result)

quit <- i

}

func working(start, end int)  {

// 创建channel ,协调各个go程退出顺序

  quit := make(chan int)

// 按照用户指定的起始、终止页面爬取

  for i:=start; i<=end; i++ {

go SpiderPage(i, quit)// 并发处理

  }

for i:=start; i<=end; i++ {

fmt.Printf("爬取%d个页面完毕...\n", <-quit)

}

}

func main() {

// 提示用户指定爬取的起始、终止页面

  var start, end int

fmt.Print("请输入爬取的起始页面(>=1):")

fmt.Scan(&start)

fmt.Print("请输入爬取的终止页面(>=start):")

fmt.Scan(&end)

// 找寻分页器规律,爬取内容。

  working(start, end)

}

正则表达式 , 具体应用    ---   正则很重要,要多看哦

package main

import (

"regexp"

"fmt"

)

func main0401() {

str :="abc a7c mfc cat 8ca azc cba"

  // 1. 编译正则表达式  —— 得到 go 编译器识别的 正则表达式(结构体类型)。

  //ret := regexp.MustCompile(`a.c`)

//ret := regexp.MustCompile(`a[0-9]c`)

  ret := regexp.MustCompile(`a\dc`)

// 2. 从原始数据中筛选有用信息

  alls := ret.FindAllStringSubmatch(str, -1)

fmt.Println(alls)

}

func main0402()  {

str :="3.14 123.123 .68 haha 1.0 abc 7. ab.3 66.6 123. 1.77"

  // 编译正则表达式

  ret := regexp.MustCompile(`\d+\.\d+`)

// 使用正则筛选数据

  alls := ret.FindAllStringSubmatch(str, -1)

fmt.Println(alls)

}

func main()  {

str :=`

  <title>Go语言标准库文档中文版 | Go语言中文网 | Golang中文社区 | Golang中国

">

  <meta name="keywords" content="中文, 文档, 标准库, Go语言,Golang,Go社区,Go中文社区,Golang中文社区,Go语言社区,Go语言学习,学习Go语言,Go语言学习园地,Golang 中国,Golang中国,Golang China, Go语言论坛, Go语言中文网">

  <meta name="description" content="Go语言文档中文版,Go语言中文网,中国 Golang 社区,Go语言学习园地,致力于构建完善的 Golang 中文社区,Go语言爱好者的学习家园。分享 Go 语言知识,交流使用经验">

hel@lo2

hello%3

hello4

hello5

<div>2块钱啥时候还?

过了年再说吧!

        刚买了车,没钱。。。

`

  // 编译正则表达式

  //ret := regexp.MustCompile(`

(.*)
`)

  ret := regexp.MustCompile(`<div>(?s:(.*?))</div>`)

// 使用正则筛选数据

  alls := ret.FindAllStringSubmatch(str, -1)

len := len(alls)

for i:=0; i

fmt.Printf("alls[%d][0]=%s\n", i, alls[i][0])

fmt.Printf("alls[%d][1]=%s\n", i, alls[i][1])

}

}


有疑问加站长微信联系(非本文作者)

本文来自:简书

感谢作者:张家驹

查看原文:Go 语言自我提升 (爬虫 - 正则)

入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:692541889

2711 次点击  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传