用Golang写爬虫(一)

169 · · 843 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。

之前一直都是再用Python写爬虫,最近想体验下Golang写爬虫的感觉,所以就有了这个系列。我想要抓取的页面是[豆瓣Top250页面](https://movie.douban.com/top250),选择它的理由有3个: 1. 豆瓣页面代码相对规范 2. 豆瓣对爬虫爱好者相对更宽容 3. Top250页面简洁,很适合拿来练手 我们先看第一版的代码。 按逻辑我把抓取代码分成2个部分: 1. HTTP请求 2. 解析页面中的内容 我们先看HTTP请求,Golang语言的HTTP请求库不需要使用第三方的库,标准库就内置了足够好的支持: ```go import ( "fmt" "net/http" "io/ioutil" ) func fetch (url string) string { fmt.Println("Fetch Url", url) client := &http.Client{} req, _ := http.NewRequest("GET", url, nil) req.Header.Set("User-Agent", "Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)") 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() body, err := ioutil.ReadAll(resp.Body) if err != nil { fmt.Println("Read error", err) return "" } return string(body) } ``` 我把URL请求的逻辑都放在了fetch函数中,里面做了一些异常处理。值得说的有2点: 1. 在Header中设置了User-Agent,让访问看起来更像搜索引擎Bot。如果一个网站希望自己的内容被Google收录那么他就不会拒绝这样的UA的访问。 2. 需要通过ioutil.ReadAll 读取resp的body内容,最后用string(body)把它转化成字符串 接着就是解析页面的部分: ```go import ( "regexp" "strings" ) func parseUrls(url string) { body := fetch(url) body = strings.Replace(body, "\n", "", -1) rp := regexp.MustCompile(`<div class="hd">(.*?)</div>`) titleRe := regexp.MustCompile(`<span class="title">(.*?)</span>`) idRe := regexp.MustCompile(`<a href="https://movie.douban.com/subject/(\d+)/"`) items := rp.FindAllStringSubmatch(body, -1) for _, item := range items { fmt.Println(idRe.FindStringSubmatch(item[1])[1], titleRe.FindStringSubmatch(item[1])[1]) } } ``` 这篇文章我们主要体验用标准库完成页面的解析,也就是用正则表达式包regexp来完成。不过要注意需要用`strings.Replace(body, "\n", "", -1)`这步把body内容中的回车符去掉,要不然下面的正则表达式`.*`就不符合了。`FindAllStringSubmatch`方法会把符合正则表达式的结果都解析出来(一个列表),而`FindStringSubmatch`是找第一个符合的结果。 Top250页面是要翻页的,最后在main函数里面实现抓取全部Top250页面。另外为了和之后的改进做对比,我们加上代码运行耗时的逻辑: ```go import ( "time" "strconv" ) func main() { start := time.Now() for i := 0; i < 10; i++ { parseUrls("https://movie.douban.com/top250?start=" + strconv.Itoa(25 * i)) } elapsed := time.Since(start) fmt.Printf("Took %s", elapsed) } ``` 在Golang中把数字转成字符串需要使用`strconv.Itoa`(嘿嘿,本博客域名就是这个模块),这样就可以根据start的参数的不通拼出正确的页面路径。用一个for循环完成翻页。 运行起来非常快: ```bash ❯ go run crawler/doubanCrawler1.go ... # 省略输出 Took 1.454627547s ``` 通过终端输出可以看到我们拿到了对应电影条目的ID和电影标题! ### 代码地址 完整代码可以在[这个地址](https://github.com/golang-dev/strconv.code/blob/master/crawler/doubanCrawler1.go)找到。

有疑问加站长微信联系(非本文作者))

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

843 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