爬虫
介绍
今日在追一篇网络小说,由于个人比较穷,所以看不起正规网站的小说,无奈之下只能看一些免费的网站,我估计免费网站的小说也是爬取来的内容。但是想必大家都清楚,哪些免费的网站是靠什么盈利的。那就是广告啊,铺天盖地的的广告,防不胜防。
那怎么办呢,学了这么久的golang,试试自己爬一下吧。从哪里爬呢,就从免费的网站上爬吧。
准备
在实现爬虫之前,先介绍两个go的库
goquery
做过 Web 开发的,应该都用过或听过 jQuery,它提供了方便的操作 DOM 的 API。使用 Go 语言做服务器端开发,有时候需要解析 HTML 文件,比如抓取网站内容、写一个爬虫等。这时候如果有一个类似 jQuery 的库可以使用,操作 DOM 会很方便,而且,上手也会很快。github.com/PuerkitoBio/goquery这个库就实现了类似 jQuery 的功能,让你能方便的使用 Go 语言操作 HTML 文档。
另外有一篇很不错的goquery介绍的文章:GO 语言版 JQUERY — GOQUERY。具体使用方法可以参考这篇文章
mahonia
这个包是golang中的字符集转换用的,因为很多时候,我们爬取的内容的编码格式可能是各种各样的,这里我们需要做一个统一的处理,转成utf-8的格式。
然后使用这个工具包,再进行一些简单的封装,形成以下的方法:
package commonimport("github.com/axgle/mahonia")funcConvertToString(srcstring, srcCodestring, tagCodestring)string{ srcCoder := mahonia.NewDecoder(srcCode) srcResult := srcCoder.ConvertString(src) tagCoder := mahonia.NewDecoder(tagCode) _, cdata, _ := tagCoder.Translate([]byte(srcResult),true) result :=string(cdata)returnresult}func GbkToUtf8(srcstring)string{returnConvertToString(src,"gbk","utf-8")}
因为很多情况我们遇到的都是gbk格式的编码,所以这里写了个gbk转utf-8的方法
实现爬虫
前面的2个工具已经介绍完了,接下来,就是把他们拼装组合一下,就是我自己的爬虫了。是不是很简单呢?下面就做一些简单的实现吧。
数据库设计
因为本次实现的比较简单,所以数据库的表也不复杂,表结构如下:
数据库表结构
其中,book表中的name字段是由唯一约束的,是为了保证书名唯一,这也是对于书名的简单去重处理。
另外,url表记录的是爬取的url地址信息,status的取值为:-1 -> 失效url, 0 -> 已爬取url, 1 -> 未爬取url。url字段具有唯一约束,避免重复。
爬虫设计
前面已经设计好了数据库,下面就是爬取数据,然后对数据库进行增删改查的操作了。
配置信息
首先,我们需要一些信息进行配置,包括日志,还有数据库:
[log]level = 1adapter = file[db]host = 127.0.0.1port = 3306user = rootpassword = 654321name = chain_booktimezone = Asia/Shanghaiprefix = bo_
当然这里的配置模块,以及日志模块是我之前写的一些简单的库里面的功能,可参考:igo
数据库操作
数据库的orm我使用的是beego的orm模块,不熟悉的可以看下beego 官方文档。
这里,我仅将init函数贴出来,具体model的操作方法,可看源码:
packagemodelsimport("net/url""github.com/Chain-Zhang/igo/conf"_"github.com/go-sql-driver/mysql""github.com/astaxie/beego/orm")funcinit(){ dbhost := conf.AppConfig.GetString("db.host") dbport := conf.AppConfig.GetString("db.port") dbuser := conf.AppConfig.GetString("db.user") dbpwd := conf.AppConfig.GetString("db.password") dbname := conf.AppConfig.GetString("db.name") timezone := conf.AppConfig.GetString("db.timezone")ifdbport ==""{ dbport ="3306"} dsn := dbuser +":"+ dbpwd +"@tcp("+ dbhost +":"+ dbport +")/"+ dbname +"?charset=utf8"iftimezone !=""{ dsn = dsn +"&loc="+ url.QueryEscape(timezone) } orm.RegisterDataBase("default","mysql",dsn) orm.RegisterModel(new(Book),new(Chapter),new(Url))}
爬取数据
到此,万事具备只欠东风了。接下来开始爬取数据了。
因为可能会有不同的源数据,那么,html文档的结构肯定也就不一样了。所以,这边就先实现一个爬虫的接口。以及信息的结构体和实例化方法:
package spiderimport("errors")type SBook struct{ NamestringImagestringUrlstringChapters []*SChapter}type SChapterstruct{TitlestringUrlstringOrderintPreintNextintContentstring}type Spider interface{ SpiderUrl(urlstring) error}funcNewSpider(fromstring)(Spider, error){switchfrom{case"booktxt":returnnew(BookTextSpider), nildefault:returnnil, errors.New("系统暂未处理该类型的配置文件") }}
代码中的booktxt的源是www.boyfuli.com,而且,这个Spider函数是针对一本书的爬取(因为我只是爬我自己想看的小说,所有不对全站爬取,不贪心)。
然后就是针对booktxt的爬取操作了。
package spiderimport ("time""strings""ispider/common""ispider/models""github.com/PuerkitoBio/goquery""github.com/Chain-Zhang/igo/ilog")type BookTextSpiderstruct{ }func (self*BookTextSpider)SpiderUrl(url string)( error){ book := SBook{} book.Url = url doc, err := goquery.NewDocument(url)iferr !=nil{returnerr } bookname := common.GbkToUtf8(doc.Find("#info h1").Text()) b, err := models.GetBookByName(bookname)iferr !=nil{ b := models.Book{Name:bookname, CreatedAt:time.Now(), UpdatedAt:time.Now()} models.BookAdd(&b) } doc.Find("#list dd").Each(func (iint, contentSelection *goquery.Selection){ifi <9{return} pre := i -9next := i-7title := common.GbkToUtf8(contentSelection.Find("a").Text()) href, _ := contentSelection.Find("a").Attr("href") chapter := SChapter{Title:title,Url:"http://www.boyfuli.com"+href, Order:i -8, Pre:pre, Next:next} book.Chapters = append(book.Chapters, &chapter) u := models.Url{Url:chapter.Url} models.UrlAdd(&u) }) channel := make(chanstruct{},100)for_, chapter := range book.Chapters{ channel <-struct{}{} go SpiderChapter(b.Id, chapter, channel) }fori :=0; i <100; i++{ channel <-struct{}{} } close(channel)returnnil}type ChanTagstruct{}func SpiderChapter(bookidint, chapter *SChapter, c chanstruct{}){ defer func(){<- c}()ifmodels.IsValidUrl(chapter.Url){ doc, err := goquery.NewDocument(chapter.Url)iferr !=nil{ ilog.AppLog.Error("get chapter details error: ", err.Error())return} content := doc.Find("#content").Text() content = common.GbkToUtf8(content) content = strings.Replace(content,"聽"," ",-1) ch := models.Chapter{BookId:bookid, Title:chapter.Title, Content:content,Sort:chapter.Order, Pre:chapter.Pre, Next:chapter.Next, CreatedAt:time.Now(),UpdatedAt:time.Now()} models.ChapterAdd(&ch) models.SpideredUrl(chapter.Url) }}
调用
package mainimport("ispider/spider""fmt""github.com/Chain-Zhang/igo/ilog")funcmain(){ ilog.AppLog.Info("start") s, err := spider.NewSpider("booktxt")iferr != nil{ ilog.AppLog.Fatal("new Spider error: ", err.Error()) } err = s.SpiderUrl("http://www.boyfuli.com/2_2219/")iferr != nil{ ilog.AppLog.Fatal("new Document error: ", err.Error()) } var strstringfmt.Scan(&str)}
这样,我们的小说就进到数据库里啦,只要写个前端看就行了,再也不会有广告了。哈哈哈。
有疑问加站长微信联系(非本文作者)